本文提出了基于超伯利模型的时间图网络（HTGN），旨在通过利用超伯利几何的指数能力和层次意识来捕捉时变行为并保持层次信息，从而在时间图嵌入方面取得更好的效果。在多个真实数据集上的实验结果表明，HTGN 在各种时间链接预测任务中的表现优于竞争方法。

Jul, 2021

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

本文提出了基于超几何几何的 HGWaveNet 神经网络，该网络有效利用了超几何空间与数据分布的契合性进行时序边预测，通过设计 2 个关键模块，分别学习空间和时间信息，应用于保留了整个数据流中的分层结构信息，实现了对 6 个实际数据集的超几何拟合，将时序预测的 AUC 相对提高了高达 6.67%。

Apr, 2023

介绍了一个名为 AntGraph 的解决方案来进行时间图中的边的存在概率的学习与预测，并通过性能分析和实验数据表明其优越性，AUC 分数为 0.666 和 0.902。

Mar, 2022

基于图信息瓶颈的自解释时态图网络（TGIB）是一种新的内置解释框架，能够同时对事件发生和解释进行预测，通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明，与现有方法相比，TGIB 在链接预测性能和可解释性方面具有优势。

Jun, 2024

本研究通过改进 Graph WaveNet 模型的超参数、连接和预训练等方法，成功将该模型在 METR-LA 数据集上的平均绝对误差下降了 0.06，同时还展示了使用短期和长期预测模型集成的方法可以进一步提高性能。

Dec, 2019

本文通过定性分析时空依赖结构学习以及比较研究所选的 TGN 模型对节点和边缘预测任务的有效性，并进行了对最佳表现 TGN 模型不同变体的广泛消融研究，以提供有价值的关于动态图形分析设计和优化的洞察，同时将快照数据转换为基于事件的数据集并与目前最先进的模型进行了兼容，以实现节点回归任务。

May, 2023

我们提出了 TNCN，这是 NCN 的一个时间版本，用于预测时间图中的链接，并使用多跳公共邻居来学习更有效的成对表示。我们在五个大规模真实世界数据集上验证了我们的模型，并发现它在其中三个上实现了最新的最先进表现。此外，TNCN 在处理大型数据集上表现出了出色的可扩展性，在速度上超过了流行的 GNN 基线最多 6.4 倍。

Jun, 2024

通过引入 “图中的中奖号码（GWT）” 的概念，我们提出了一种新颖的方法来显著提高自适应空间 - 时间图神经网络（ASTGNNs）的计算效率。通过采用预先确定的星形拓扑作为 GWT 来训练，我们在减少计算需求的同时，保持高性能的模型表现。我们的方法通过消除详尽的训练、修剪和重新训练周期，以及在各种数据集上的实证验证，可实现与完整模型相当的性能与大大降低的计算成本。此外，我们深入探讨了来自谱图理论角度的 GWT 的有效性，提供了实质性的理论支持。这一进展不仅证明了 ASTGNNs 中存在高效子网络的存在，而且扩大了资源受限环境中 LTH 的适用性，标志着图神经网络领域的重大进展。

Jun, 2024

该研究提出了一种自适应分层时空网络 (AHSTN) 以利用空间层次结构和建模多尺度空间关联来促进交通预测。

Jun, 2023