本研究提出了DG-Mamba框架，以解决动态图神经网络在结构不完整、噪声和冗余性方面的鲁棒性不足问题。实验结果表明，该框架在对抗性攻击下优于现有方法。

本研究提出了一种新的动态图神经网络（DGNN）架构，旨在解决时间金融网络中的条件$m$步预测问题。通过模拟利率掉期交易数据验证，该模型能够准确预测净变动保证金，为监管机构监测系统性风险提供了重要工具。

实验研究发现，训练动态图神经网络时，复杂的记忆机制和合适的时间粒度对性能和鲁棒性至关重要。同时，讨论了模型和数据集的局限性，并提出了未来的研究方向。