本文提出了一种称为TIGGER的新型生成模型，该模型采用时间点过程结合自回归建模，既支持传导变体又支持归纳变体，是一种性能优越、速度快三个数量级，能够生成更真实图形的模型。

Mar, 2022

通过提出新的时间不变-波动解缠表示学习框架，该研究实现了对基于动态图的特征进行准确预测，并改善了现有方法在各种下游任务方面的表现。

Oct, 2022

DyG2Vec是一种适用于动态图的自监督学习方法，利用窗口机制生成任务不可知的节点嵌入来预测未来的交互，并在标准数据集上显著优于现有的状态-of-the-art方法，并且只需要部分训练/推理时间，适用于少量标签的场景。

Oct, 2022

开发了一种具有不确定性量化的图嵌入模型TransformerG2G，通过利用先进的转换编码器从当前状态($ t $)和先前上下文（在时间戳[$ t-1，t-l $]上，$ l $是上下文的长度）中首先学习中间节点表示。

Jul, 2023

本研究提出了一种针对动态图建模的新型预训练和提示框架——DyGPrompt，通过在任务目标和动态变化之间设立双重提示，以及利用节点和时间特征相互刻画的双重条件网络，来有效填补现有静态图的预训练模型在节点分析等下游任务中的缺口。通过在三个公共数据集上进行广泛实验评估和分析，证明了DyGPrompt的有效性。

May, 2024

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

本研究通过重新构建动态连接预测作为链接预测任务，更好地考虑了数据中的时间信息，解决了常见评估方法引起的模型性能不准确和方法公平比较困难的问题。

Jun, 2024

DyGETViz是一个用于可视化动态图(DGs)的新框架，它利用了离散时间动态图(DTDG)模型的最新进展，灵活处理动态图中固有的时间动态。DyGETViz能够有效捕捉图中的微观和宏观结构变化，为表示复杂而庞大的动态图提供了一种强大的方法。通过DyGETViz的应用，揭示或证实了各种重要的发现，包括在线社区的内容分享模式和专业化程度的多样性、词汇表在几十年间的时间演化以及与衰老相关和非相关基因展示出的不同轨迹。DyGETViz通过简化动态图的复杂性，提高了科学发现对非专业人士的可访问性。我们的框架作为一个开源Python包发布，可用于各个学科领域。我们的工作不仅解决了可视化和分析DTDG模型的持续挑战，还为未来在各个学科领域动态图表示和分析的研究奠定了基础。

Jun, 2024

本研究解决了动态图学习中对持续时间信息反应不灵敏和缺乏泛化能力的问题。我们提出的DyG-Mamba模型，利用不规则时间间隔作为控制信号，展现出显著的鲁棒性和泛化能力。实验结果显示，DyG-Mamba在动态链接预测和节点分类任务中，大多数数据集取得了最先进的性能，同时在计算和内存效率上也有显著提升。

Aug, 2024

本研究解决了如何有效学习时间网络的表示以进行动态链接预测的问题。我们提出了一种自监督的对比训练方法，通过结合链接预测、图重构和对比预测编码损失，构建了一种递归消息传递神经网络架构。在多个数据集上测试后，该方法显示出比现有模型更优越的性能，能够有效提升链接预测的准确性。

Aug, 2024