本研究提出了一种轨迹编码时间图网络（TETGN），旨在解决动态图任务中已知节点与未知节点的预测问题。实验结果表明，TETGN在链路预测和节点分类方面优于现有方法，显示出其潜力。

本研究提出了一种新框架脉冲动态图网络（SDGN），用于动态学习多变量点过程中的时空依赖关系。实验结果表明，SDGN在预测准确性和计算效率上优于现有方法，但在处理密集图形和某些非高斯依赖关系方面仍需改进。

本研究解决了个性化联邦学习(PFL)中由于客户端本地数据分布差异导致模型性能不佳的问题。论文提出了一种新颖的方法，即基于图注意力网络的个性化联邦学习(pFedGAT)，该方法捕捉客户端之间的潜在图结构并动态确定其他客户端对每个客户端的重要性，从而更细致地控制聚合过程。实验结果表明，pFedGAT在多种数据分布场景下的性能优于十二种最新方法。

本研究解决了传统情感分析方法无法捕捉电商平台用户动态情感变化的问题。提出的SynGraph框架通过将用户分类为中尾、长尾和极端场景，并在动态图结构中融入LLM增强，显著缓解了数据稀疏问题。实验证明，该方法有效提升了流媒体评论的情感建模能力。

Macphun将于9月28日发布Aurora HDR 2019，支持Mac和PC。新版本提供强大的HDR处理工具、快速RAW文件处理、色调映射算法及丰富的预设效果。相比2018版，新增镜头矫正工具和现代化UI，处理速度提升约4倍，成为最快版本，适合各种摄影风格。

本研究提出了社区感知时序游走（CTWalks）框架，以解决动态图表示学习中的灵活性和适应性不足的问题。CTWalks结合无参数社区时间游走、社区标签增强和ODE编码，精准建模社区交互。实验结果表明，其在时间链接预测方面优于传统方法。

本研究解决了动态图神经网络在动态边缘学习中因过度强调最近边缘而导致捕捉噪声的问题。提出的STAA方法通过时空活动感知随机游走扩散来识别潜在的噪声边缘，利用图小波系数分析关键拓扑位置和边缘演化，从而有效减少噪声边缘的权重，实验结果表明STAA在节点分类和链接预测任务上优于其他动态图增强方法。

本研究针对动态图节点分类中的准确性问题，提出了一种新颖的模型HYDG，旨在捕捉动态图中节点拓扑、属性和标签的变化。通过超图的方式，HYDG有效建模个体和组级别的时空节点表示，并通过多种时间依赖关系的加权信息传播，提高了节点表示的准确性。实验结果显示，该模型在五个真实动态图数据集上 outperform 现有的方法，展现出显著的优势。

本研究解决了动态图中异常检测的方法缺乏通用性的问题。我们提出了GeneralDyG，这是一种通过采样时间自我图并顺序提取结构和时间特征的新方法。实验结果表明，GeneralDyG在四个真实世界的数据集上显著优于现有的最先进方法，具有重要的实际应用潜力。

本研究提出了CLDG框架，解决动态图无监督表示学习中的性能下降问题。通过引入实时持久信号，增强节点表示的一致性，实现时间平移不变性。实验结果表明，该方法在七个数据集上超越了八个最先进的基线，且训练时间和模型参数显著减少，证明了其有效性和高效性。

本文提出了一种统一的图保留网络（GRN）架构，旨在提高动态图深度学习的计算效率和可扩展性，增强边级预测和节点级分类的性能，同时实现低训练延迟和高推理吞吐量。

本研究提出了一种基于稀疏节点注意力的动态图学习框架GoPPE，旨在提高动态图中鲁棒节点表示的效率，显著提升了基于GNN的PPR性能和稳健性。

本文介绍了多种图神经网络模型的进展，包括谱注意力网络（SAN）和SGFormer等。这些模型通过改进节点位置编码和注意力机制，显著提升了图表示学习和预测性能，尤其在处理大规模图时表现优异。

本文探讨了图形分类中的持久同调方法，提出了一种基于拓扑特征的图神经网络，显著提升了分类性能。同时，研究引入了新算法和模型，解决了动态图中的计算难题，并在多个基准数据集上展示了优越表现。

本文探讨了图神经网络（GNN）在动态图中的应用，强调预训练模型在未见节点和边的准确性。研究还涉及图卷积滤波器的稳定性、节点注意力机制的柔性GNN模型，以及自适应Krylov子空间方法，以提高图信号处理的鲁棒性和性能。

本文探讨了多种基于深度学习和图卷积网络的方法，用于自闭症谱系障碍（ASD）的脑活动模式预测和早期检测。研究提出的模型如Com-BrainTF和HyperGALE显著提高了预测的准确性和可解释性，展示了新方法在ASD诊断中的潜力，并强调了图形技术在神经发育研究中的应用。

飞桨官方特设《飞桨框架3.0全面解析》系列技术稿件及直播课程，帮助开发者掌握飞桨框架3.0的技术。飞桨框架3.0提出了动静统一自动并行的技术方案，简化了分布式训练开发的难度。支持动态图手动并行和动静统一自动并行两种方式。自动并行通过少量的张量切分标注实现不同并行策略，同时支持一键动转静分布式训练。提供了分布式张量和计算设备之间的映射关系，以及分布式性能优化策略。

DyG2Vec是一种自监督学习方法，专为动态图设计，能够有效预测未来交互，优于现有技术。研究强调建立统一基准框架以推动动态图学习的发展。新模型Graph-Mamba和STG-Mamba在长程预测和时空图学习中表现突出，解决了异构图学习的挑战。DyGPrompt和GraphSSM框架也在动态图建模中展现了有效性。研究表明，合理的时间感知域选择能显著提升模型性能。