本研究提出DG-Mamba框架，旨在解决动态图神经网络在结构不完整性、噪声和冗余性方面的鲁棒性不足问题。通过核化动态消息传递算子，DG-Mamba在保持高效性的同时提升了动态结构学习能力，实验结果表明其在对抗性攻击下的鲁棒性和效率优于现有方法。

本文提出了一种基于动态图神经网络的模型，旨在提高多元时间序列预测的准确性。实验验证了该模型在交通动态分析中的有效性，尤其是在自动驾驶场景中，显著提升了时空表示的准确性和适应性。

本研究提出了一种新的动态图神经网络（DGNN）架构，用于在时间金融网络中进行条件$m$步预测。通过模拟利率掉期交易网络数据验证，该模型能够准确预测净变动保证金，为监管机构提供监测系统性风险的工具。

本文提出了一种新的时间链接预测方法，通过节点动态分析提高预测准确性，实验证明在合著网络中性能提升17.34%。研究探讨了动态图神经网络的时间粒度对性能的影响，并提出基于元学习的新模型以快速适应新节点，展示了在动态链接预测中的优越性。

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。