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
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
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
本篇综述论文回顾了近期对动态图表示学习的研究进展，包括对动态知识图谱的研究，将现有模型从编码器 - 解码器的角度进行描述和分类，并分析了每个类别中采用的技术，同时还回顾了几个显著的应用和广泛使用的数据集，并突出了未来研究的方向。
May, 2019
本文通过对 81 个动态 GNN 模型、12 个动态 GNN 训练框架和常用基准进行了全面的比较分析和实验评估，在对六个标准图数据集上测试了九个代表性的动态 GNN 模型和三个框架。评估指标包括收敛精度、训练效率和 GPU 内存使用情况，从而实现了对各种模型和框架性能的全面比较。通过分析和评估结果，我们确定了关键挑战，并提出了未来研究的原则，以增强动态 GNN 领域模型和框架的设计。
May, 2024
动态图学习具有重要意义，可以有效地模拟不同领域中实体之间错综复杂的相互关系，此研究论文回顾了动态图学习的较少探索的应用，并揭示了机器学习在动态图领域所面临的挑战及其潜力。
Jan, 2024
本文介绍动态网络及其相关术语、规范和动态图神经网络模型的综述，旨在解决跨学科研究和术语不一致等挑战。
May, 2020
本文是对临时图形神经网络的综合评述，主要介绍了学习设置和任务的严格形式化，以及一种新颖的分类方法来分类已有的方法，讨论了该领域的最相关的开放挑战。
Feb, 2023
本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。
Nov, 2021