我们提出了一种名为 ' 时间图生成对抗网络 ' 的新模型，它能够连续地生成时间图，并针对回归神经网络设计了一些新的激活函数，以强制实施时间合法性约束，以及一种新的时间图鉴别器，以提高效率和准确性。

May, 2020

针对连续时间动态图（CTDGs）上的预测困难，本文研究了自解释的动态图神经网络（GNNs）。我们旨在在动态图中预测未来的链接并同时提供因果解释。通过提出独立和混淆因果模型（ICCM）并将其整合到同时考虑效果和效率的深度学习结构中，我们解决了捕捉基础结构和时间信息的不一致性和分布外数据的挑战，以及高质量链接预测结果和解释的高效生成。大量实验证明，我们的模型在链接预测准确性、解释质量和对快捷特征的鲁棒性上明显优于现有方法。我们的代码和数据集已匿名发布在此 URL。

May, 2024

该研究提出了一种基于动态远程传输的新型传播延迟感知长输入 Transformer，能够准确预测交通流量，并在真实交通数据集上取得了最先进的性能和计算效率。

Jan, 2023

动态信息扩散在图内是一个影响图表示学习的重要课题，特别是在考虑长程传播时。为此，我们引入了（端口）哈密顿深度图网络，这是一个基于哈密顿动力系统守恒定律的新框架，通过在图中建模神经信息流来控制和调节信息的传播和衰减程度。我们将非耗散的长程传播和非守恒行为统一在一个理论和实践框架下，并引入了机械系统的工具来衡量两个组成部分之间的平衡。我们的方法可以应用于一般的消息传递体系结构，并在时间上提供了信息保守性的理论保证。实证结果证明了我们的端口哈密顿方案在长程基准测试中将简单的图卷积架构推至最先进水平的效果。

May, 2024

本论文提出了一种动态图消息传递网络，用于进行长程依赖性建模，以用于图像识别。该网络采用自适应抽样节点的方法，在传递信息时动态地预测节点相关过滤器权重和关联矩阵，以实现对自我注意机制的设计。研究结果表明，基于该模型的 Transformer 骨干网络在图像分类和物体检测等四种不同任务上，相对于现有的最先进技术，能够显著提升性能，同时性能优于完全连接的图并使用更少的浮点运算和参数。

Sep, 2022

本文介绍了连续时间流（CTF）的概念，这是一种能够渐进地接近目标分布的基于扩散的方法。相对于常规的 normalizing flows 和 GANs 模型，CTFs 能够在一个框架中实现高效率的推理和基于大量未标记数据的密度估计，并且可以在其中采用一种新的分布匹配技术。实验结果表明，所提出的 CTF 框架较之相关技术具有更良好的性能。

Sep, 2017

本研究提出了一种名为 'graph-sprints' 的通用特征提取框架，针对连续时间动态图（CTDGs）具有低延迟性和与最先进的高延迟模型相竞争的能力，并通过机器学习结合图形功能的方法，实现了优秀的性能表现。

Jul, 2023

本文介绍了一种新颖的图神经网络方法，基于图转换器，引入了两个流编码器，另外通过对比学习来使动态表示具有高级别 (或全局) 语义，提高了交互预测的准确性。

May, 2021

连续图学习研究了从无限的图数据流中学习的问题，将历史知识整合并推广到未来的任务。在当前只有当前的图数据可用。本文提出了一种关系感知自适应模型，并说明了图边缘后面的潜在关系可以被归因为不变因素。通过实验证明，该模型在 CitationNet、OGBN-arxiv 和 TWITCH 数据集上相对于现有方法分别提高了 2.2%、6.9% 和 6.6% 的准确度。

Aug, 2023

本研究提出了一个能够表达和推理连续时间事件关系的生成模型，并将其应用于网络和分布式计算环境的领域，在从时间戳观察中拟合模型参数后，使用假设检验来发现事件之间的依赖性和行为变化，进而进行监测和诊断。该方法在微软研究剑桥的网络事件跟踪实验中使用实际数据进行了验证。最后，本文还对时间离散化后所提出模型与 Noisy-OR 门的关系进行了形式化描述。

Jun, 2012