本研究提出了一种基于序列预测的 TGSL 方法来更好地学习下游任务的图结构，通过添加潜在的时间边、使用 Gumble-Top-K 来选择最接近上下文嵌入的候选边，以及提出若干候选采样策略，同时端到端联合学习图结构和 TGNs，实验结果表明 TGSL 可以显著提高 TGAT、GraphMixer 等热门 TGNs 的性能，且在时间图上优于其他对比学习方法。
Jun, 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
这篇论文提出了一个结构强化的图转换器框架，包括一种循环学习范式和显式建模边缘时间状态的方法，证明在离散动态图形表示学习方面 RDGT 优于竞争方法。
本文通过对时空信息学习的先进优势进行调查和性能比较，为动态图形表示学习领域建立坚实的基础，以促进该领域的研究
Jul, 2023
通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型，我们可以动态地构建每个时间步长的图形，从而准确地预测交通流量，并通过边采样策略进一步提高模型的性能。
Jun, 2024
本文综述了最近在图结构学习（GSL）方法中的 进展，着重于建模图结构的方法，应用和未来方向。GSL 旨在联合学习优化的图结构和对应的图表示。
Mar, 2021
本文提出了一种新的方法 —— 对抗时变图表示学习 (ATGRL)，用于从大脑网络的少量样本数据中检测动态社区。该方法采用了一种新型的时变图注意力网络作为编码器，通过空间和时间维度上的注意力机制来捕获更高效的时空特征，并采用对抗性训练来指导时变图表示的学习，并最大化社区的模块度度量损失，实验证明了该方法的有效性。
Jun, 2022
本文提出了一种基于张量图卷积网络的动态图表示学习模型，通过在张量乘积的基础上设计张量图卷积网络来同时建模时空特征，实验结果表明我们的模型获得了最先进的性能。
Jan, 2024