最新发布的时间图基准表明，流行的节点方法在中大型数据集上表现优异。通过分析强基线，发现标准的负采样评估对于具有强时间动态的数据集可能不适用。提出了改进的负采样方案，并与非对比训练的模型进行了比较。结果显示时间图网络架构在具有重大全局动态的问题中需要深入思考。

本文提出了在RBMs的能量函数中引入另一项以显式地建模输入数据中的局部空间交互作用，以建模全局动态和本地空间交互作用的理论扩展。通过提出的学习方法，在两个计算机视觉应用程序上评估了改进的RBM模型：面部表情识别和人体动作识别，并在基准数据库上展示了所提出算法的有效性。

该文介绍了一种基于时间图的动态链接属性预测方法，提出了一个简单的无优化基线“最近流行节点”，在数据集上表现优异。作者提出了两种基于Wasserstein距离的度量方式，用于量化数据集的短期和长期全局动态的强度，并证明了标准的负采样评估对于具有强时间动态的数据集可能不适用。作者还提出了改进的负采样方案，并与非对比训练的模型进行了比较，结果表明时间图网络架构在具有重大全局动态的问题中需要进行深入的思考。