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，强调了GDEs在静态和动态设置中的计算优势。研究提出了图神经随机微分方程（Graph Neural SDEs）和基于加法普通微分方程的非参数建模方法，展示了在高维数据集上的优越表现。此外，STG-NRDE方法结合了神经网络和图卷积网络，优化了交通流量预测的准确性。

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。

我们提出了一种基于图神经常微分方程的协同过滤方法（GODE-CF），通过利用图卷积网络层捕获的信息来估计最终嵌入，并在多个数据集上优于竞争基线和其他协同过滤方法。GODE-CF相对于传统的图卷积网络模型具有简单、高效和快速训练时间等优点。