提出了连续演化图神经控制微分方程（CEGNCDE）来同时捕捉连续的时间依赖关系和随时间演变的空间依赖关系，通过基于 NCDE 的连续演化图生成器（CEGG）来生成连续演化的离散历史观测下的空间依赖图，然后引入了图神经控制微分方程（GNCDE）框架来同时捕捉连续的时间依赖关系和空间依赖关系。大量实验表明，CEGNCDE 相较于现有方法平均减少了 2.34％的相对 MAE，0.97％的相对 RMSE 和 3.17％的相对 MAPE。

Jan, 2024

研究动态图的表示学习，提出了 Graph Neural Controlled Differential Equation (GN-CDE) 模型，通过深度神经网络参量化向量场和交互导数，对节点嵌入轨迹的动态演化进行建模，实现了在动态演化的图上表达动态的能力。

Feb, 2023

我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型，它能够连续地生成时间图，并针对回归神经网络设计了一些新的激活函数，以强制实施时间合法性约束，以及一种新的时间图鉴别器，以提高效率和准确性。

May, 2020

本文提出一种将图神经网络和时间点过程结合的新模型，用于连续时间动态图上的事件预测，并将事件预测问题分解为三个条件概率建模，实现了在大规模图上的高效预测，实验结果表明该模型在准确性和训练效率方面均具有优越性。

May, 2022

本文提出了一种基于神经网络控制微分方程的时空图神经控制微分方程（STG-NCDE）方法，将 NCDA 概念应用于时空序列数据的处理中，实验表明该方法在交通预测中表现良好且优于其他 20 种基准模型。

Dec, 2021

本文提出了一种新的时间序列生成器 —— 指向连锁 GAN（DC-GANs），该生成器可以生成与邻域过程具有相同分布的新时间序列，并且可以在生成多模态时间序列方面显着优于现有最佳方法。

Apr, 2023

本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

Jun, 2020

本研究提出了一种基于 DynGESN 模型和新型数据增广策略（snapshot merging）的新模型用于处理 DPC 任务，通过将相邻快照合并形成新的快照并从中捕获时空特征，采用 logistic regression 得到分类结果。实验结果表明，相较于 DynGESN 和多个基于核的模型，本模型具有更好的分类性能。

Jul, 2023

本文提出了一种名为 TDE-GNN 的模型，它可以捕捉超过典型的一阶或二阶方法的各种时间动力学，并提供了现有时间模型难以处理的用例。通过在几个图形基准上学习时间依赖性，我们证明了使用我们的方法学习时间依赖性而不是使用预定义时间动态的好处。

Jan, 2024

针对连续时间动态图（CTDGs）上的预测困难，本文研究了自解释的动态图神经网络（GNNs）。我们旨在在动态图中预测未来的链接并同时提供因果解释。通过提出独立和混淆因果模型（ICCM）并将其整合到同时考虑效果和效率的深度学习结构中，我们解决了捕捉基础结构和时间信息的不一致性和分布外数据的挑战，以及高质量链接预测结果和解释的高效生成。大量实验证明，我们的模型在链接预测准确性、解释质量和对快捷特征的鲁棒性上明显优于现有方法。我们的代码和数据集已匿名发布在此 URL。

May, 2024