本文介绍了一种名为神经关系推断（NRI）模型的非监督学习算法，该模型可以在学习动态过程的同时推断系统组成部分之间的相互作用，通过真实场景的一系列实验表明该模型可以准确地预测从运动捕捉和运动追踪数据中推断出的社交网络组成部分之间的关系和运动的复杂动态。

Feb, 2018

介绍了一种基于图网络的学习模型，实现了对象和关系为中心的表示的归纳偏差，从而能够更准确地预测复杂动态系统的行为，并支持在线与离线规划。

Jun, 2018

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

该论文通过使用时态点过程和变分自编码器提出了一种无需人工边缘指定的模型，学习推断节点间的时间关注力，从而具有更大的灵活性和更好的性能，用于动态链接预测任务。

Sep, 2019

本文提出了一种适用于动态网络的统计模型 Neural Latent Space Model with Variational Inference，该模型能够表示并预测网络结构的演化，并在同质、双部分和异质网络的真实数据集上表现出优异的性能。

Nov, 2019

该研究采用带有结构先验知识的图神经网络，提出了高效的信息传递机制来共同学习动态关系和规则，并且在模拟物理系统上的实验结果表明，所提出的方法优于现有的最先进方法。

Jan, 2021

提出一种基于拓扑关系推断的新型局部拓扑模型，用于处理图分类和表征学习中超平滑和可被图扰动的问题，并在节点分类任务中实验验证其性能优于当前14种现有基线模型

Oct, 2021

研究了图结构识别问题，通过观测到的时间序列，从线性随机网络动态系统的状态设置中获取组件，计算了特征向量，并使用这些特征来训练卷积神经网络进行因果推断，在各种网络上推广良好，可解决大规模系统中不能处理所有节点的问题。

Aug, 2022

图神经网络在多种动态系统如实体和关系组成的问题中是有效的模型。本文提出了一种基于模块化元学习的关系推断方法，通过训练神经模块以不同方式组合解决多个任务，增加了推理能力，并在元学习优化内循环中采用模型导向的方法，提高了数据效率和可推断未直接观测到的实体状态的能力。

Oct, 2023

该论文介绍了一种高效的时间图表示学习（TGRL）框架，No-Looking-Back（NLB），通过使用一个GPU可执行的大小受限哈希表记录降采样的最近互动，实现了快速查询响应和最小的推理延迟，并在链接预测和节点分类中超过了其他竞争方法。

Feb, 2024