本文提出一种新的层级变分GRNN模型，引入额外的潜在随机变量来联合建模动态图的隐藏状态。使用半隐式变分推理开发此新VGRNN架构（SI-VGRNN）并在多个真实世界的动态图数据集上进行实验，结果表明SI-VGRNN和VGRNN在动态链接预测中连续优于现有基线和最先进的方法。

Aug, 2019

本文提出了第一个归纳式的超几何图卷积神经网络(HGCN)，它利用了超几何空间的表达能力和嵌入高度曲率的特点来学习分层和无标度图的归纳式节点表示，并说明了如何将欧几里得输入特征转换为具有不同可训练曲率的超几何嵌入。 实验证明，HGCN学习到的嵌入保留了分层结构，并且与欧几里得模型相比，即使具有非常低的维度嵌入，也能获得更好的性能：在链路预测中，ROC AUC误差降低最多为63.1％，在节点分类中，F1 score提高最多为47.5％，也改善了Pubmed数据集的最新技术水平。

Oct, 2019

本文提出了一种连续图神经网络(CGNN)，可以广泛应用于现有的离散动态的图神经网络，并能够捕捉节点之间的远距离依赖关系。实验结果表明，相对于竞争基线，该方法在节点分类任务上是有效的，且具有抗过度平滑的特性。

Dec, 2019

本文介绍了一种利用超几何空间的嵌入方法提高图数据的建模效率和性能的新算法，以及如何通过Laplace算子的本征函数来逼近超几何空间中的等度不变核，从而更好地实现了超几何网络的建模。

Feb, 2022

本文对当前超伽马线图神经网络的技术细节进行了全面的回顾，并将它们统一到一个通用框架中，并总结了每个组件的变体和相关应用，并提出了一些挑战，可能为进一步发展超伽马线空间的图学习成果提供指导。

Feb, 2022

介绍了基于超伽马空间表示的图形学习的前沿技术，并重点介绍了超伽马浅层模型和超伽马神经网络技术以及其组件变体的技术细节，同时讨论了超伽马几何图形表示学习的进阶主题。

Nov, 2022

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

本文介绍了一种名为超曲线图元学习器（H-GRAM）的新方法，通过从节点的局部子图中学习可传递的归纳偏见和集合超曲线元梯度，实现在处理不相关子图的查询任务上进行更快的学习，并展示了其在多种挑战性的少样本设置中学习和传递信息的有效性，并且相较于传统的欧几里得方法，在大型图数据集上能够更好地提高性能。

Oct, 2023

我们通过使用图神经网络（GNNs）进行节点表示学习，并结合高斯噪声来保护鲁棒性并减轻过度平滑问题，提出了一种名为Graph Variational Diffusion Network（GVDN）的新型节点编码器。

Dec, 2023

通过将深度视为连续时间嵌入演化的方法，我们在本文中解耦了超椭圆图神经网络 (HGNN) 并将信息传播重新构造为偏微分方程 (Partial Differential Equation, PDE)，让节点注意力承担超椭圆神经 PDE(Hyperbolic Neural PDE, HPDE)中的传导性作用。通过引入理论原则，如非欧几里得流形上的场和流、梯度、散度和传导性，我们讨论了用于形成数值 HPDE 解算器的隐式和显式离散化方案。进一步，我们提出了超椭圆图扩散方程(Hyperbolic Graph Diffusion Equation, HGDE) - 这是一个灵活的矢量流函数，它可以集成以获得表达力强的超椭圆节点嵌入。通过分析嵌入的潜在能量衰减，我们证明了 HGDE 能够模拟低阶和高阶近邻关系，并具有局部-全局传导函数的好处。节点分类和链路预测以及图像-文本分类任务的实验证明了所提方法的优越性，其性能始终显著优于各种竞争模型。

Jun, 2024