本文介绍了连续深度图神经网络（GNN）及其与图神经常微分方程（GDEs）的关系，证明了其在静态和动态设置中的计算优势。提出了动态高斯图算子（DGGO）和图差分方程网络（GDeNet）等新模型，并展示了它们在解决偏微分方程（PDE）和图学习任务中的优越性能，实验验证了这些模型在真实数据集上的有效性。

本文介绍了一种动态高斯图算子（DGGO），用于学习偏微分方程（PDEs）。该方法通过高斯过程处理噪声数据，避免空间离散化，并在长时间积分下验证了其有效性。结合神经网络和遗传算法，提出了一个鲁棒的求解框架，适用于多种方程。实验结果表明，该方法在偏微分方程求解中表现优异，具备良好的不确定性估计和实时自适应控制能力。