- KDD基于图信息瓶颈的自解释时变图网络
基于图信息瓶颈的自解释时态图网络（TGIB）是一种新的内置解释框架，能够同时对事件发生和解释进行预测，通过引入信息瓶颈理论中的随机性来对事件发生提供解释。实验结果表明，与现有方法相比，TGIB 在链接预测性能和可解释性方面具有优势。
- 基于时态图的基础模型的神经缩放定律研究
时间图学习领域旨在从不断变化的网络数据中学习以预测未来的交互。本研究通过先在多个网络上进行预训练，再在未见过的网络上评估性能，展示了时间图学习的可转移性和神经缩放定律对预测性能的影响。
- 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 - 基于最近邻的硬负样本训练时空图神经网络的鲁棒性训练
通过替换均匀采样的负样本，我们提出了一种改进的基于重要性的负采样的 Tgnn 无监督学习方法，并在三个真实数据集上的实证评估中展示出其提供了一致的优秀性能。
- TASER：快速准确的动态图表示学习的时间自适应采样
TASER 是第一个针对准确性、效率和可扩展性进行优化的适用于 TGNNs 的自适应采样方法，通过根据训练动态和过去交互的上下文、结构和时间属性进行微批次选择和邻居选择来提高准确性和训练速度。在五个广受欢迎的数据集上，TASER 的平均平均 - 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 - LasTGL: 大规模时间图学习的工业框架
LasTGL 是一个用于解决时间图学习问题的产业框架，它整合了常见的时间图学习算法的统一和可扩展实现，并提供了全面的时间图数据集、TGNN 模型和工具，适用于初学者和专业深度学习从业者。
- TempME：通过模式发现实现时间图神经网络的解释性
针对当前时间图神经网络（TempME）的关键挑战，提出了一种新颖的方法：Temporal Motifs Explainer（TempME），用于揭示触发该模型预测的最关键时间图案，实验证明 TempME 在解释准确性方面取得了优势，并提升了 - 多模图学习应用于大数据下新兴疫情建模
通过融合时间图神经网络和多模态数据，我们提出了一种名为 MGL4MEP 的新型框架，用于学习和预测流行病，通过利用特定的预训练语言模型和发现用户之间的潜在图结构，将大数据源（包括社交媒体内容）整合到流行病动态学习中，从而提供丰富的流行病动态 - BenchTemp：用于评估时间图神经网络的通用基准
通过 BenchTemp 在多种工作负载下对 TGNN 模型进行了全面的、公平的评估，并对链接预测和节点分类等任务进行了效果和效率指标比较。
- 长时动态图模型的对抗攻击和防御方法：矛与盾
本研究提出了 T-SPEAR 方法，用于针对连续时间动态图上的链接预测进行简单有效的敌对攻击，并探讨了时序图神经网络的弱点。同时，我们还提出了鲁棒的训练方法 T-SHIELD，通过边过滤和强制节点嵌入的时间平滑，提高了受攻击模型的鲁棒性。实 - 走向可解释的移动数据科学人工智能
本文介绍了我们关于可解释的移动数据科学 XAI 方案的持续研究成果，重点是通过使用时空图神经网络和反事实方法从密集轨迹数据中学习可解释模型，如车辆和船舶的 GPS 轨迹，并回顾了现有的 GeoXAI 研究，主张采用以人为本的方法进行全面的解 - DistTGL: 分布式基于记忆的时间图神经网络训练
本文提出一种有效可扩展的方法 DistTGL，该方法通过增强 TGNN 模型、改进训练算法和优化系统，实现了在分布式 GPU 集群上训练内存基础全局连通图神经网络（memory-based temporal graph neural net - 动态图上不同时空图神经网络配置的分析
本文通过定性分析时空依赖结构学习以及比较研究所选的 TGN 模型对节点和边缘预测任务的有效性，并进行了对最佳表现 TGN 模型不同变体的广泛消融研究，以提供有价值的关于动态图形分析设计和优化的洞察，同时将快照数据转换为基于事件的数据集并与目 - WWWTIGER: 带重启的时间交互图嵌入
该研究提出了一种名为 TIGER 的时序图嵌入模型，引入了一个重启模块来生成代理表示，使模型能够从多个时间戳同时重启，从而使模型能够并行。与之前的模型不同，该模型引入了双重记忆模块以更好地利用邻域信息并减轻旧问题。
- MTP-GO：基于图的概率多智能体轨迹预测与神经 ODE
提出了一种名为 MTP-GO 的模型，该模型使用时间图神经网络对场景进行编码，并使用神经常微分方程实现运动模型，通过结合混合密度网络和卡尔曼滤波的概念提供多模态概率预测，证明了其在各种数据集上的预测能力优于现有方法
- ICML使用图神经网络将基于代理的模型校准到微观数据
该研究提出了使用时间图神经网络直接学习与微观数据相关的参数后验概率的方法，以进行 Bayesian 推断，并通过使用原始 ABM 微状态作为输出，提供高度引人入胜的归纳偏差。
- TGL：针对数十亿规模图的时间 GNN 训练的通用框架
本文提出了 TGL，一个适用于大规模离线图神经网络的统一框架，在多个 GPU 上进行训练，该框架包括时间采样器、邮箱、节点内存模块、内存更新器和消息传递引擎等五个主要组件，并通过随机块调度技术解决了训练大批量样本时过时的节点内存等问题。在多 - 基于时序图神经网络的半监督三维物体检测
通过时态图神经网络的半监督学习，利用大量未标注的点云视频进行 3D 物体探测，实现了比基线和同等标记数据下的最新检测性能更好的检测，关键词：3D 物体探测；半监督学习；时态图神经网络；未标注数据；最新检测性能。