本文提出了一种基于潜在空间的统计模型，用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析，该模型可应用于社区检测和链路预测等任务，并与现有方法相比表现出更好的效果。

Feb, 2018

本文提出了一个状态空间模型，将静态网络的随机块模型扩展到动态网络的建模中，并使用扩展卡尔曼滤波器配合局部搜索来拟合模型，实验表明此算法与使用马尔可夫蒙特卡罗抽样的最先进算法相竞争，但计算代价显著降低。

Mar, 2014

本文回顾了动态图学习的问题和模型，分析和讨论了各种动态图的监督学习设置，并确定了现有模型的相似之处和不同之处，最后为 DGNN 设计者在面对动态图学习问题时提供了一般指导原则。

Apr, 2023

本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏 DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如 Notears 等方法发现的线性 SCM 更准确。

Jan, 2023

本研究旨在开发一个综合性的数字时间序列预测模型拓展我们对自然现象模式和趋势的预测能力。该模型采用传统的 ARIMA、Holt-Winters 的方法、支持向量回归和现代神经网络模型 RNN 和 LSTM 等多种模型，可捕捉时间序列数据中的线性和非线性依赖性和季节性，旨在为大规模时间序列预测模型的发展提供实质性推进。

Jun, 2023

本文综述了动态神经网络在深度学习领域的最新研究进展和主要研究方向，分析了其在计算效率和适应性等方面的优势，总结了架构设计、决策方案、优化技术和应用开发等方面的研究问题以及未来发展的方向。

Feb, 2021

本文提出了一种基于贝叶斯 RNN 模型的非线性时空预测方法，旨在通过量化不确定性来提高预测准确性，同时通过简单修正基本的 RNN 以适应非线性时空数据的独特性。该方法成功应用于一种 Lorenz 模拟以及两个实际的非线性时空预测应用。

Nov, 2017

本文介绍动态网络及其相关术语、规范和动态图神经网络模型的综述，旨在解决跨学科研究和术语不一致等挑战。

May, 2020

本文通过对时空信息学习的先进优势进行调查和性能比较，为动态图形表示学习领域建立坚实的基础，以促进该领域的研究

Jul, 2023

通过将神经网络引入 Dynamic Mode Decomposition 模型，让其能更好地模拟全球海表温度，以支持在几年到十年时间尺度内气候适应性决策的制定。

Jun, 2021