高属性动态图中的变点检测
本研究介绍了一种有效率高的算法，用于在动态网络的快照模型下，检测变化点，并将此算法应用到合成和真实世界网络上，速度比现有技术提高9倍，并且效果也得到了提升。
May, 2017
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
本文提出了一种名为Laplacian Anomaly Detection (LAD)的方法，用于动态图中的变化点检测，并通过两个滑动窗口显式地建模短期和长期依赖关系。实验结果表明，该方法在动态网络中可以更有效地识别异常时间点。
Jul, 2020
本文提出了一种用于动态图的基于Transformer的异常检测框架(TADDY)，通过建立全面、信息丰富的节点编码策略和捕捉动态图的时空耦合模式进行节点的异常检测，该方法在六个真实世界数据集上表现优于现有的最先进方法。
Jun, 2021
本论文提出了一种基于模块性的策略来有效检测和跟踪动态社区，在合成网络和Twitter网络中的实验结果表明该框架优于其他最先进的方法，并且它为不同的社交网络提供了一个有价值的工具，来理解社区在动态社交网络中的演化。
Feb, 2023
我们提出了一种新的谱方法：Scalable Change Point Detection（SCPD），它可以有效地检测动态图中的异常变化点，同时可以捕获到节点属性的变化， 该方法具有可扩展性且能快速处理数百万条边，可以处理大量节点属性，进行了大量的实验表明，SCPDM具有最先进的性能，可以发现大型现实世界图中的有趣事件。
May, 2023
使用DyExplainer方法解释动态图神经网络，通过稀疏注意机制探索结构关系和时间依赖性，并结合对比学习技术提供先验引导正则化，以实现对模型预测的解释性和预测准确性的显著提升。
Oct, 2023
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
本研究解决了链接流在社区检测中的应用不足问题。文章首次将著名的模块质量函数适配于链接流，提出了一种独立于分析时间尺度的新方法。实验结果显示，该方法在动态社区评估中具有重要的相关性和有效性。
Aug, 2024