- TLEX：从 TimeML 时序图中提取准确时间线的高效方法
应用先前在点代数问题求解方面的工作，将 TimeML 注释文本转化为以树干和分支结构排列的时间轴，TLEX（时间轴提取）解决了时间图的一致性和含义不明确的问题，并可用于对事件进行对齐等下游任务。
- GCN-DevLSTM: 基于骨骼的动作识别中的路径发展
提出了一个结合轨迹发展的 DevLSTM 模块，用于捕捉视频动作序列的时间动态，有效提取高维流数据中的事件顺序并显著提升 LSTM 模块性能，在 Skeleton-based action recognition (SAR) 领域取得了显著 - 基于模式识别的时序图上的链路感知链路预测
通过利用查询链接的信息，我们提出了一种链接感知模型，可以识别时变图中可能存在的可靠模式，以改进链接预测的性能。在六个数据集上的实验证明，我们的模型表现优异，且链接预测结果可解释。
- 亿级交易中无拓扑关联的时间性洗钱流的检测
该研究提出了一个适用于领域特定约束条件的框架（称为 FaSTMAN），以有效地构建顺序交易的时间图。该框架使用二阶图表示的加权方法来量化边的重要性，使我们能够在更小而密集的网络流中分配复杂查询。最后，基于这些查询，我们可以有效地识别可疑流动 - TransformerG2G：使用 Transformer 学习时变图嵌入的自适应时间步长
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。
- 金融时间序列预测的时空异质性图神经网络
本论文提出了一种基于时间和异构图神经网络（THGNN）的方法，用于学习金融时间序列中价格变动之间的动态关系。该方法在美国和中国的股票市场上展开广泛实验，并在实际交易中实现了显著的累积组合回报。
- 用于动态表征的时间聚合和传播图神经网络
本文提出了一个新的方法，即使用整个邻域的时间聚合和传播图神经网络 (TAP-GNN)，将时间信息嵌入节点嵌入向量中，取得了比现有的时间图方法更好的预测性能和在线推理延迟。
- 面向时间性图的交互顺序预测
本研究旨在预测节点交互的顺序，以实现对于静态和时间图中链接预测的改进。
- 面向时间图的图神经网络：现状、挑战和机遇
本文是对临时图形神经网络的综合评述，主要介绍了学习设置和任务的严格形式化，以及一种新颖的分类方法来分类已有的方法，讨论了该领域的最相关的开放挑战。
- AAAI通过脉冲神经网络扩展动态图表示学习
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。
- WSDM一种有效的基于图学习的时间链接预测方法：WSDM Cup 2022 第一名
介绍了一个名为 AntGraph 的解决方案来进行时间图中的边的存在概率的学习与预测，并通过性能分析和实验数据表明其优越性，AUC 分数为 0.666 和 0.902。
- 时态图的边缘探索
研究了时间图的欧拉回路问题，发现即使对底层图的结构设置严格限制并且每条边只在三个时间段内被激活，确定给定的时间图是否具有时间欧拉性仍然是 NP 难问题，但是我们提出了一个新的参数 interval-membership-width，它的局限 - ACL上下文化时间图生成的神经语言建模
使用大规模预训练语言模型自动产生基于事件级别的时间图的第一项研究，通过使用现有的信息提取 / 自然语言处理工具自动生成大量文档 - 图对，并将上下文化图的产生问题作为序列到序列映射任务提出创新方案，我们的实验表明，我们的方法在生成结构和语义 - 时间图介绍：算法视角
介绍了在计算机科学领域中出现的关于时间图和时间图问题的最新结果，强调了发展图论的时间扩展的必要性。