本研究提出了GPML库，旨在应对动态网络中的复杂攻击。通过将网络流量转化为图形表示，GPML实现了实时检测和历史取证分析，增强了网络安全检测能力。

本研究提出了一种新方法，将图神经网络与双向长短期记忆模型结合，以解决动态网络中的节点识别问题。该方法在不同网络中实现了90%的准确率，提高了种子集选择效率，降低了计算开销。

本研究提出了一种泊松-伽马边划分模型，用于动态建模时间网络中的潜在社区。实验结果表明，该模型在链接预测和社区检测方面优于其他动态网络模型，深入揭示了复杂网络的动态演变。

本文探讨了多种神经网络模型及其在深度学习中的应用，重点分析了神经元同步性、循环神经网络的记忆机制、Kuramoto图神经网络的过度平滑问题，以及动态网络架构在视觉任务中的表现。这些研究旨在提升神经网络的灵活性、稳定性和信息处理能力，推动计算神经科学与人工智能的结合。

本文介绍了多种新型图神经网络（GNN）及其应用，如Graph WaveNet、TGN和NO-GAT等。这些模型通过自适应依赖矩阵、时间编码和注意力机制，提升了动态网络中的节点分类和链接预测性能，实验结果显示其优越性。

本研究提出了一种新型滤波器，结合推拉抑制机制，以提高图像处理中的噪声稳健性。实验表明，视觉transformer模型在数据破坏情况下表现优越。此外，研究探讨了通过生物启发的神经元表示和动态网络架构来增强视觉感知的稳健性。

本文介绍了一种高效的动态网络变化点检测算法，其速度比现有技术快9倍，并在合成和真实网络中表现优越。同时，研究探讨了图神经网络在社区检测中的应用，提出了基于模块性的动态社区检测策略和Laplacian异常检测方法，均能有效识别动态网络中的异常。

本文提出了一种基于随机化和多智能体系统的分布式强化学习算法DLMD-DiffEx，通过与本地邻居通信优化全局回报。研究了在信号传输受限和噪声影响下的分散优化问题，确保局部估计的收敛性，并探讨了动态网络中代理估计的对齐及收敛性分析，展示了良好的收敛效果。

该文介绍了两种新的损失函数，用于克服动态网络在时间上的演变所带来的挑战。在合成和真实动态网络上进行了广泛评估，结果显示出比原始损失函数更优越的性能。所提出的损失函数在具有多样的用户交互历史的真实网络中，在 MRR 上实现了超过 26.9% 的增强和 Recall@10 上的超过 11.8% 的改善。这些发现凸显了动态网络建模中所提出的损失函数的功效。