本文提出了一种基于 Temporal Graph Network 的动态网络表示学习的新方法，通过提取因果匿名步的高度自定义的消息生成函数。我们提供了一个基准管道以评估时间网络嵌入，并通过边 / 节点分类任务的各种传导 / 归纳检验来证明我们模型的优越性能。此外，我们还展示了我们模型在真实世界的下游图机器学习任务中的适用性和优越性能。

Aug, 2021

CAT-Walk 是一种基于时态高阶图的归纳式研究方法，使用 SetWalk 提取高阶因果模式，使用 SetMixer 池化策略和集合匿名过程隐藏超边的身份，并使用神经网络模型对超边进行编码。在 10 个超图基准数据集上的评估表明， CAT-Walk 在归纳式和转导式设置下的时间超边预测基准方面表现出卓越的性能，并显示出与节点分类的现有最佳方法相竞争的性能。

Jun, 2023

本研究提出了一个基于属性随机游走的框架用于推断网络表示学习，该框架可以更广泛地应用于现有的机器学习方法中，并解决了现有方法中节点身份相关性的固有问题。

Oct, 2017

本文提出了一种基于时间图的归纳表示学习方法，使用新颖的时间编码技术和自注意力机制，可以对动态网络中的节点分类和链接预测任务进行有效处理，并相对于现有的时空图嵌入方法取得了优秀的效果。

Feb, 2020

本文介绍了一种时间信念网络表示的因果独立，可以用来引导概率模型的知识工程师。该表示可以简化推理，而不需要使用不可观测的变量，适用于许多实际应用。

Mar, 2013

该研究提出了一种基于匿名行走（anonymous walk）的、无需监督的图嵌入方法，用于提高使用卷积神经网络和传统图核方法进行图分类任务的分类准确度，同时实现大规模的图表示学习。

May, 2018

本论文介绍了带标记的随机游走的概念，以此为基础对现有的一些利用随机游走的算法如 DeepWalk、node2vec 等进行了推广，可适用于传导学习、归纳学习以及具备属性的图形数据，并在多个领域的各种图形上验证了该算法的有效性。

Sep, 2017

本文研究网络不同结构的表示学习方法，设计了异构匿名游走技术和异构匿名游走嵌入方法，实验结果表明这些方法可以显著提高学习效果，并应用于大规模网络中。

Jan, 2022

DeepWalk 是一种用于学习连续向量空间中网络节点的潜在表示的新颖方法，它将图中的节点用随机游走表示为句子，进行类比于词的无监督特征学习，适用于社交网络等多标签网络分类任务中表现优异，适用于各种实际应用中的网络分类和异常检测。

Mar, 2014

该研究提出一种邻域感知的时间网络模型，使用一种新颖的字典类型邻域表示方法，设计了一种数据结构支持字典表示在 GPU 上并行访问和更新，通过实验表明，该模型在节点链接预测准确性（对于在归纳和传递方式下）优于最先进的基线方法，可以实现该特征的速度提升，并可扩展到多个实际大规模时间网络中。

Sep, 2022