该研究论文提出了一种名为动态神经图网络（Dynamic Spiking Graph Neural Networks）的框架，用于解决动态图表示学习中的信息丢失和内存要求问题，通过将早期信息直接传递到最后一层以进行信息补偿，并在动态图环境中扩展了隐式微分以适应内存要求，并通过在三个大规模实际动态图数据集上的大量实验证明了其在动态节点分类任务上的有效性与较低的计算成本。

Dec, 2023

本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

Sep, 2022

通过融合 SNN 和 GNN 并应用新颖的 Temporal Activation 机制，该研究提出了一种名为 SiGNN 的框架，用于在动态图上学习增强的时空表示，通过在多个时间粒度上深入分析动态图中的演化模式实现多尺度时空节点表示。实验证明 SiGNN 在节点分类任务中具有出色的性能。

Mar, 2024

本文提出了一个将注意机制与脉冲神经网络 (SNN) 相结合的新方法，以改进图表示学习的能力。该方法能够在学习过程中选择性地关注图中重要的节点和相应的特征，并在多个基准数据集上进行评估，结果显示其性能与现有的图学习技术相当。

Mar, 2024

本文提出了 SpikingGCN，一个将 GCN 的嵌入与 SNN 的生物保真特性整合在一起的端到端框架，实现了在众多场景中能够达到竞争水平的性能，同时在神经形态芯片上实现了能效的优势，展示了其建立环境友好的机器学习模型的巨大潜力。

May, 2022

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

本文介绍了一种使用新颖代理梯度和可调谐自适应尖峰神经元的循环网络，将基于脉冲的神经网络的性能提高至具有挑战性的时间域基准的最新水平，并展示了这些 SNN 的计算效率比具有可比性能的 RNN 高出一到三个数量级，从而使 SNN 成为 AI 硬件实现的有吸引力的解决方案。

Mar, 2021

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

本研究提出了一个基于神经脉冲的建模框架，使得 SNN 网络可以直接应用于处理图形数据。通过空时展开的神经脉冲数据流，我们将图形卷积滤波器与神经脉冲动力学相结合，并提出了一种适用于 SNN 的空时特征归一化技术 (STFN)，并将其实例化为两个脉冲图形模型。在三个节点分类基准上验证了我们的模型的性能，包括 Cora，Citeseer 和 Pubmed。实验结果表明，我们的方法与现有的图神经网络 (GNN) 模型相比具有可比性，但计算成本明显更低，可以在神经形态硬件上得到很好的应用。

Jun, 2021

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