本文提出了一种称为DeepGL的通用图表示学习框架，用于从大型（带属性）图中学习深层节点和边表示，并呈现了其对于跨网络迁移学习任务和属性图表示学习的有效性，空间效率良好，速度快，并且在许多学习任务上具有平均20％或更多的提高。
Apr, 2017
本文提出了一种基于动态图的归纳式深层表示学习框架（DyRep），能够学习一组函数以高效生成随时间演变的低维节点嵌入，这些嵌入驱动动态图中节点之间的通信与关联，并利用时间为尺度的多元点过程模型来捕获这些动态关系，该研究通过动态链接预测和事件时间预测问题的两个真实世界数据集的实验证明了框架的有效性。
Mar, 2018
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
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
介绍一种名为 SpikeNet 的可扩展框架，它旨在使用脉冲神经网络（SNNs）而非循环神经网络（RNNs）来捕获时变图的时变和结构模式，SpikeNet 在计算成本更低的情况下在时态节点分类任务上超过了强基线，并具有更少的计算负担。
Aug, 2022
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
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。
RDGSL是一种在连续时间动态图中进行表示学习的方法，通过动态图结构学习的监督信号有效地抵抗动态图中的噪声，提高表示生成的鲁棒性。
Sep, 2023
本研究通过将结构信息整合到在线逼近目标中，采用拉普拉斯正则化项，将状态空间模型理论扩展到时间图，提出了GraphSSM框架，用于建模时间图的动态性，实验证明GraphSSM在各种时间图基准测试中的有效性。
Jun, 2024
本研究针对连续时间动态图（CTDGs）在建模长时间节点交互历史和捕捉细微时间信息方面的挑战，提出了DyGMamba模型，以解决计算复杂度与模型效能之间的矛盾。DyGMamba通过节点级状态空间模型编码历史节点交互序列，并利用时间级状态空间模型动态选择关键时间信息，实验结果表明该模型在动态链接预测任务中表现优异，既有效又高效。
Aug, 2024