- 图上 k - 中心问题的动态算法
提供了首个对动态图进行边更新的 k - 中心问题的高效算法
- 动态图的深度学习：模型与基准
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
- 将亿万个参数更新加速至毫秒级的动态网络嵌入
提出了一种新的动态网络嵌入范式，即通过旋转和缩放嵌入空间的轴而不是逐个节点更新来实现动态网络嵌入，其中运用了动态个性化 PageRank 方法来增强节点嵌入和动态捕获更高阶邻居信息，并通过对不同规模动态图上节点分类、链路预测和图重构的实验表 - 通过参数隔离在动态图上进行持续学习
本文提出一种参数隔离的图神经网络（PI-GNN）方法，通过扩展模型参数并冻结不受动态图影响的参数以保留之前学习的知识，解决动态图学习中的灾难性遗忘问题，实验证明其优于现有方法。
- IJCAISAD：动态图形半监督异常检测
本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法
- 大规模动态图上的即时表示学习推荐
该论文提出了一种名为 SUPA 的图神经网络模型，用于解决动态图中邻居干扰和在线学习方面的问题，并在实验中显示其在推荐系统领域表现出色。
- 精益求精：大规模动态图的无监督图剪枝
本研究探讨了基于自监督时间修剪框架的无监督动态图修剪问题，旨在删减冗余边降低时间与空间负担，并在真实数据集上验证了该方法对于提高动态节点分类任务中 GNN 的效率、鲁棒性和效果的优越性。
- 使用神经控制微分方程学习动态图嵌入
研究动态图的表示学习，提出了 Graph Neural Controlled Differential Equation (GN-CDE) 模型，通过深度神经网络参量化向量场和交互导数，对节点嵌入轨迹的动态演化进行建模，实现了在动态演化的图 - AAAI动态图上可学习的谱小波，捕捉全局交互
本文提出将可学习的小波图形捕捉到动态图谱中，以提高动态图学习性能。考虑到动态图谱的演化历史，本文的方法能够在全局上更有效地捕获地理图谱，并成功应用于八个标准数据集，显著提升了地理图的动态性学习性能。
- WSDM动态稀疏图上图序列神经 ODE 过程用于链接预测
本研究提出了一种基于神经过程的新方法，称为 Graph Sequential Neural ODE Process (GSNOP)，通过定义函数分布，将不确定性引入预测中，使其具有更好的泛化性能和更强的扩展性，同时不会过拟合于稀疏数据，在三 - DyG2Vec: 自监督下的动态图表征学习
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。
- DyTed: 动态图表示学习中的时间不变性和波动分离
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。
- Weisfeiler--Lehman goes Dynamic: 分析图神经网络在属性和动态图上的表现能力
本文对静态无向同质图和动态图、属性图等不同类型的图中图神经网络（GNNs）的表达能力进行了理论分析，提出了适当的 1-WL 测试，并证明了 GNNs 与 1-WL 测试在区分动态图和属性图上具有相同的能力，且 GNNs 可以模拟 1-WL - De Bruijn goes Neural：面向动态图上的时间序列数据的因果感知图神经网络
De Bruijn 图神经网络是一种面向动态图的新型时态图神经网络架构，它利用更高阶 De Bruijn 图实现信息传递，并通过概率建模选出最优的图拓扑结构，使动态图中的时间 - 拓扑模式可以被有效提取和学习。
- KDDROLAND: 动态图的图学习框架
ROLAND 是一种有效的图表示学习框架，具有可重用静态图到动态图的能力，采用分层节点状态并在时间上进行递归更新的方法来处理动态图，并提出了一种逐步训练和元学习的可扩展且高效的动态 GNNs 训练方法，其在 8 个动态图数据集上的实验证明， - 面向异步结构演变的时态动态图嵌入
该论文提出了一种用于动态图的时间感知变压器来嵌入顶点表示的方法，该方法使用时间边缘序列来维护异步结构演变，并在多个数据集上展示了其在图挖掘任务中的优越性能。
- 动态异构学术图的公共基准测试
本研究针对机器学习模型在动态图中的学习和推理遇到的挑战，针对传统静态同构图数据集的局限性，提出了一种利用多元素科学出版涵盖的动态异构学术图数据集，测试模型预测任务的效能，并提出了一种系统方法来改善现有的图预测模型评估程序。
- CGC：用于社群检测和跟踪的对比图聚类
本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。
- AAAI通过贝叶斯自监督方法保护图卷积神经网络免受动态图扰动的影响
该研究提出并应用了一种新的基于贝叶斯自监督学习的模型 (GraphSS)，能有效抵御动态图中的对抗攻击以及恢复节点分类器的预测结果。
- 动态图上的进化学习
本文提出一种新的算法 —— 动态图形学习，旨在在动态图形中共同学习图形信息和时间信息，并利用梯度元学习来学习更新策略，在快照上具有比 RNN 更好的泛化能力，能够训练任何基于消息传递的图神经网络以增强表示能力。