本文探讨了图神经网络（GNNs）在分子动力学和动态图建模中的应用，提出了新的框架和方法以解决现有模型的过度平滑和可扩展性问题，并总结了通过连续动态学改进GNNs的方式，提出了多个未来研究方向。

本文综述图异常检测研究进展，涵盖SL-GAD、NLGAD、AugAN、GADY、AGAD、ADA-GAD等方法，分别采用生成回归、多视角对比学习、数据增强、动态图建模、对抗生成和双阶段框架，以提升检测性能与泛化能力。

本文综述连续深度图神经网络与神经常微分方程的结合进展，涵盖图神经常微分方程、符号图GDE、TisODE鲁棒性方法、GrADE偏微分方程框架、GN-CDE动态图建模、分数阶微分方程网络、图神经随机微分方程、连续深度模型、MTGODE多元时间序列预测及GAINS分析框架等，并验证其在动态建模、不确定性预测与效率方面的优势。