本文旨在解决时间序列分类数据集较小的问题，提出了一种基于动态时间规整的数据增强方法 guided warping，使用深度卷积神经网络和循环神经网络对 85 个时序数据集进行了评估。

Apr, 2020

TADA 是一种前置数据增强框架，用于高度图中的图神经网络，通过结构嵌入和拓扑属性感知图稀疏化的方式，提高了主流 GNN 模型在节点分类任务上的预测性能。

Jun, 2024

提出了一种新颖的 Temporal Graph representation learning with Adaptive augmentation Contrastive (TGAC) 模型，该模型通过将先验知识与时间信息相结合，对时态图进行自适应增强，并通过定义增强之间的相互视角对比和内部视角对比来构建对比目标函数，以减少网络中的噪声。广泛的实验证明，该模型优于其他时态图表示学习方法。

Nov, 2023

采用拓扑感知动态重新加权（TAR）框架，通过在几何 Wasserstein 空间中的梯度流动态调整样本权重，以提供分布鲁棒性，从而增强图数据的域外泛化性能。

Jun, 2024

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

该论文提出了一种用于动态图的时间感知变压器来嵌入顶点表示的方法，该方法使用时间边缘序列来维护异步结构演变，并在多个数据集上展示了其在图挖掘任务中的优越性能。

Jul, 2022

本文提出一种名为 Graph Temporal Attention with Reinforcement Learning (GTA-RL) 的新型框架，针对动态组合优化问题学习启发式解决方案。该框架结构包括一个能够嵌入组合问题实例的时间特征的编码器和一个能够动态聚焦于嵌入特征以找到所需组合问题实例的解码器，并针对实时版本组合优化问题进行了扩展。实验证明，与现有方法相比，该方法在动态和实时图组合优化方面具有更高的效率和优化求解器的有效性。

Jan, 2022

提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架，通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN 能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。

Dec, 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

本文提出了一种名为 GAPGC 的新型测试时间适应策略，通过对比学习和自监督学习等方法，有效增强图神经网络的适应性和性能，并且提供了信息论的理论证明。实验结果表明，该方法在分子骨架 OOD 数据集上取得了最先进的 GNN 性能。

Aug, 2022