- 使用动态图嵌入轨迹增强跨学科洞见力
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 - 高效有效的隐式动态图神经网络
Implicit Dynamic Graph Neural Network (IDGNN) 是一种针对动态图的新型隐式神经网络模型，通过提出一个等价的双层优化问题和一种高效的单循环训练算法来克服计算上的困难，以在分类和回归任务中展现出优于现 - 时序图中神经消息传递的顺序模式推理
我们提出了 HYPA-DBGNN，一种新颖的两步方法，它结合了（i）基于统计学原则的零模型对图上时间序列数据中的异常顺序模式进行推断，（ii）利用捕捉到过度出现的顺序模式的高阶 De Bruijn 图的神经信息传递方法。
- KDD动态图中的异常检测：综合调查
该综述报告全面而概念性地介绍了使用动态图进行异常检测的方法，重点关注基于图的异常检测技术及其在动态网络中的应用，总结了现有研究的优势、限制和未来挑战，以指导未来的研究工作和推动动态图中的异常检测技术进展。
- 动态 GNN 的有效符合性预测
将展开方法应用于动态图神经网络，扩展了置信度预测的有效性和性能，解决了静态图和转导和半归纳情况下的交换性问题。
- AnomalyLLM: 动态图中使用大型语言模型进行少样本异常边缘检测
利用大型语言模型的知识，提出了一种名为 AnomalyLLM 的方法，通过与动态图配合使用，进行边缘重编程和上下文学习，实现少样本异常检测，并在实验中取得显著的性能提升和对新异常的优越结果。
- 可扩展离散动态图神经网络的输入快照融合
通过引入基于输入快照融合的动态图神经网络（SFDyG），本文在动态图领域解决了现有静态图模型无法适应的问题，并通过引入多图和 Hawkes 过程理论等方法提高了模型的可扩展性和预测性能。
- 贪婪和协同：用于动态图的反事实解释器
该论文介绍了两种新颖的 TGNN（Temporal Graph Neural Networks）反事实解释方法：GreeDy（动态图的贪婪解释器）和 CoDy（动态图的反事实解释器）。实验证明，这两种方法能够有效生成清晰的解释。特别是，Co - 空时记忆增强的图自编码器用于动态图的异常检测
通过引入一种新颖的空间 - 时间记忆增强图自编码器 (STRIPE)，该论文解决了动态图中异常检测面临的挑战，通过有效利用动态图的空间和时间动态特性，成功实现了异常识别，并在 AUC 值上取得了 15.39% 的平均改进。
- CGGM: 一种适用于物联网网络中节点异常检测的具有自适应稀疏性的条件图生成模型
本文介绍了一种名为 CGGM 的新颖图生成模型，用于在动态图中生成属于少数类的更多节点，并通过自适应稀疏性增强了灵活性，使用多维特征生成器（MFG）生成节点特征和拓扑信息，并通过多阶段损失调整合成数据的分布以更好地模拟真实数据，实验证明 C - WWW动态图信息瓶颈
该论文介绍了一种名为动态图信息瓶颈（DGIB）的框架，用于学习动态图的稳健和有区分性的表征，并在真实世界和合成动态图数据集上的实验中展示了其对抗攻击的优越鲁棒性。
- Todyformer：面向全面的动态图卷积网络和结构感知分词
Temporal Graph Neural Networks 和 Transformers 结合，提出了一种用于动态图的新型 Transformer-based 神经网络 Todyformer，它通过将 MPNNs 的局部编码能力与 Tra - 张量图卷积网络用于动态图表征学习
本文提出了一种基于张量图卷积网络的动态图表示学习模型，通过在张量乘积的基础上设计张量图卷积网络来同时建模时空特征，实验结果表明我们的模型获得了最先进的性能。
- GNNFlow：动态图上连续时态 GNN 学习的分布式框架
GNNFlow 是一个分布式框架，可以在多 GPU 机器上进行高效的连续时态图表示学习，支持动态图并采用自适应的时间索引块数据结构、混合 GPU-CPU 图数据放置、GPU 缓存以及优化策略等技术，实现了比现有系统快 21.1 倍的连续学习 - LLM4DyG：大型语言模型能否解决动态图问题？
在本文中，我们通过提出评估大型语言模型在动态图中的时空理解能力的 LLM4DyG 基准，第一次系统地评估了 LLMs 在动态图中的时空信息理解能力，并通过广泛的实验分析了不同的数据生成器、数据统计、提示技术和 LLMs 对模型性能的影响。我 - GADY: 动态图上的无监督异常检测
在动态图上进行异常检测的研究主要关注于检测行为明显偏离图和时间信息内观察到的规范的实体，已吸引了金融、网络安全、社交网络等领域的极大关注。然而，现有的方法面临两个挑战：动态结构构建挑战 - 难以捕捉带有复杂时间信息的图结构，负采样挑战 - - 动态图分类的过滤表面
现有动态图分类方法要么将图内核扩展到时间域，要么使用图神经网络 (GNNs)。然而，当前基准存在可扩展性问题，不能处理变化的节点集，或者不考虑边权重信息。我们提出了滤波表面，一种具有可扩展性和灵活性的新方法，以缓解上述限制。我们在基于边权重 - RDGSL: 动态图结构学习中的图表示学习
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。
- 走向时间边缘回归：一个关于国家间农业贸易的案例研究
探索将图神经网络应用于静态和动态环境中的边缘回归任务，着重预测国家之间的食品和农业贸易价值，通过实验证明现有的基准模型在各种设置下表现出极强的性能，且 TGN 模型优于其他 GNN 模型，同时提到训练样本中负边的比例对测试性能有显著影响。
- WWWDYMOND：动态模型网络生成模型
DYMOND 是一种生成模型，考虑了网络结构中的动态变化和节点在模式中所起的作用，对比其他动态图生成模型，DYMOND 在生成类似于观察到的网络的图结构和节点行为方面表现更好，并提出了一种新的方法来评估网络的时态特征。