本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

Apr, 2022

提出了基于交互序列的批处理模式的deep Temporal Graph Clustering(TGC)框架，通过调整聚类分配和邻接矩阵重建技术来适应时间图的互动动态。实验结果表明，TGC框架可以有效提高现有临时图学习方法的性能。

May, 2023

本文提出一种聚类学习框架CARL-G，使用Cluster Validation Indices（CVI）衡量质量，适用于不同的聚类方法，相对于基线提高了79倍的训练速度，并在节点聚类和相似性搜索任务中表现出色。

Jun, 2023

Temporal Graph Benchmark是一个收集了各种涉及社交、贸易、交通等网络领域的大规模数据集，用于实现机器学习模型在时间图上的现实、可重复和强大的评估。此外，该研究表明对于动态节点属性预测任务，简单的方法往往比现有的时间图模型表现更好，并提供了一个自动化的机器学习流程用于可重复和可访问的时间图研究。

Jul, 2023

通过扩展我们的动态图库(DyGLib)到Temporal Graph Benchmark (TGB)，我们对TGB进行了经验评估。在实验中，我们发现一些问题需要解决，包括数据统计不匹配、评估指标计算不准确等；不同模型在各个数据集上表现不同，这与以前的观察相符；当使用DyGLib时，一些基准的表现可以显著提高。该工作旨在简化研究人员在TGB上评估各种动态图学习方法的工作，并试图提供可以直接参考的结果。

Jul, 2023

通过使用图神经网络优化模块性目标的DGCluster方法，我们在多个领域中进行图聚类，取得了显著的性能提升。

Dec, 2023

TGX是一个Python软件包，特别设计用于分析时态网络，它提供数据加载、数据处理和演化图分析的自动化流程，支持多种内置和外部数据集，并且提供了数据处理功能和网络分析方法，适用于社交网络、引用网络和用户互动等领域。

Feb, 2024

本研究通过研究不同TGL算法的广义能力以及与GNN-/RNN-based TGL方法的层数/步数和特征-标签对齐度得分的关系建立了理论基础，提出了Simplified-Temporal-Graph-Network，该算法具有小的泛化误差、改进的整体性能和较低的模型复杂性。实验结果表明了我们的方法的有效性，理论发现和提出的算法为未来研究的实际TGL算法设计提供了重要见解。

Feb, 2024

多关系时间图是建模现实世界数据的强大工具，研究论文介绍了用于评估方法的新的基准框架，并提供了大规模数据集，重点评估预测未来连接方法的效果。

Jun, 2024

介绍了Textual-Edge Graphs Datasets and Benchmark (TEG-DB)项目，它是一个包含丰富文本描述在节点和边上的大规模文本边缘数据集，并通过广泛的基准实验证明当前技术，包括预训练语言模型、图神经网络及其组合，可以有效利用文本节点和边缘信息来增强图分析并提供关于复杂真实世界网络的更深入洞察。

Jun, 2024