描述和演示了一个新的、混合方法，结合了对潜在特征的手动选择与现有的自动分类方法，并使用随机森林等方法进行分类，该方法在特征共线性存在时具有特别的实用性，实现了更高的准确性、更短的计算时间和更大的网络分类结果的可解释性。
Oct, 2016
动态图学习具有重要意义，可以有效地模拟不同领域中实体之间错综复杂的相互关系，此研究论文回顾了动态图学习的较少探索的应用，并揭示了机器学习在动态图领域所面临的挑战及其潜力。
Jan, 2024
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
图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。
Apr, 2024
本文提出一种新的动态图神经网络模型 DGNN，能够利用图的动态信息，通过捕捉边之间的顺序信息、边之间的时间间隔和信息传播一致性，不断更新节点信息，以适应不断发展变化的图，实验结果证明了该框架的有效性。
Oct, 2018
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
我们提出了使用基于图的深度神经网络来预测多细胞集体的运动性，并展示了该方法在多细胞生物系统中的应用。随着多细胞数据的增加，我们提议创建一个多细胞数据库，从中构建一个大型多细胞图模型，以进行多细胞组织的普适性预测。
通过将节点定义为牛顿对象并引入速度的概念，我们提出了一种新的时间链接预测方法，通过计算每个节点的具体动态，而不是整体动态，提高了预测未来连接的准确性和可解释性。我们的方法在预测合著网络中的未来合作效果方面，使下游分类模型的性能提高了 17.34%（相对于基准模型）并针对时间链接预测问题提供了一个可解释的层。
本文对复杂网络中的链接预测方法进行了广泛的综述，将其分为四大类，包括基于相似性、基于概率、基于关系模型和基于学习的方法。此外，还介绍了一系列可用于研究链接预测的网络数据集。最后，讨论了最近的发展趋势和未来研究方向。
Jan, 2019