在这篇论文中，我们通过引入自适应邻域编码机制来增强现有的时态图神经网络 (TGNs)，提出了 SEAN 模型，该模型可以无缝集成到现有的 TGNs 中，有效提升其性能。具体而言，该模型通过代表性邻居选择和时态感知邻域信息聚合两个阶段，实现自适应邻域编码的过程，从而在聚合过程中灵活利用重要的邻居信息，并适应性地选择和衰减过时信息，取得了出色的性能提升。我们在四个公共数据集和一个金融基准数据集上将 SEAN 与三种代表性 TGNs 进行了集成，并进行了大量的实验证明，SEAN 可以在所有模型上持续提高性能，达到顶级水平并具有出色的稳健性。

Jun, 2024

用递归神经网络对时态图的邻居进行汇聚，以获取来自每个节点的完整邻居信息，从而提供具有卓越的理论表达能力和在真实应用中的最先进性能，其中在一个真实世界的电子商务数据集上，相比于现有模型的 2 层模型，平均精确度显著提高了 9.6%。

Sep, 2023

本文提出了 TGL，一个适用于大规模离线图神经网络的统一框架，在多个 GPU 上进行训练，该框架包括时间采样器、邮箱、节点内存模块、内存更新器和消息传递引擎等五个主要组件，并通过随机块调度技术解决了训练大批量样本时过时的节点内存等问题。在多个小规模和两个大规模数据集上的实验结果表明，TGL 可以实现更快的训练速度和类似或更好的准确性。

Mar, 2022

我们研究直接应用 Temporal Graph Networks（TGN）在推荐系统中，通过使用现实世界数据集和各种图形和历史嵌入方法，确认 TGN 在动态推荐场景中的适应性和有效性。

Mar, 2024

这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

Jun, 2021

我们提出了一个统一的自适应连接采样框架，该框架可以泛化现有的用于训练 GNN 的随机正则化方法，并消除深度 GNN 的过度平滑和过拟合趋势，并允许在 GNN 图分析任务中具有不确定性的学习。将自适应连接采样与 GNN 模型参数以全局和局部方式联合训练，证明了使用自适应连接采样自适应性地学习给定图形训练数据的采样率是提高 GNN 性能的关键。

Jun, 2020

图神经网络在各个领域得以广泛应用，但面对图演变时往往难以保持准确的表示。本文从信息论的角度分析表示失真，并通过自监督图重构引入了一个简单而有效的基线方法 Smart，该方法通过自适应特征提取器提供了出色的泛化估计性能，实证结果表明其在真实演化图上的估计表现出优异的准确度。

Apr, 2024

通过替换均匀采样的负样本，我们提出了一种改进的基于重要性的负采样的 Tgnn 无监督学习方法，并在三个真实数据集上的实证评估中展示出其提供了一致的优秀性能。

Feb, 2024

本文提出一种有效可扩展的方法 DistTGL，该方法通过增强 TGNN 模型、改进训练算法和优化系统，实现了在分布式 GPU 集群上训练内存基础全局连通图神经网络（memory-based temporal graph neural networks）。实验表明，DistTGL 算法比同类单机方法在准确性和训练吞吐量方面分别提高了 14.5% 和 10.17 倍。

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