本文介绍了GRAM-ODE神经网络架构，通过不同视图捕捉动态时空依赖关系，提高预测任务性能。实验结果显示，GRAM-ODE在真实数据集上优于基线方法。

本文介绍了GRAM-ODE神经网络架构，用于学习动态时空依赖关系的表示。实验表明，GRAM-ODE在六个真实数据集上表现更好。

本文介绍了GRAM-ODE神经网络架构，通过不同视图学习动态时空依赖关系，改善通信。实验表明，GRAM-ODE在六个真实数据集上优于基线方法。

本文介绍了一种新颖的基于图的多-ODE神经网络（GRAM-ODE）架构，通过不同视图捕捉复杂的局部和全局动态时空依赖关系，学习更好的表示。GRAM-ODE在六个真实数据集上相比最先进的基线方法具有明显的优势，并且不同组件对整体性能有贡献。