本文提出了一种新型入侵检测系统，基于时空图神经网络自编码器，解决了传统系统在APT攻击检测中的不足。研究表明，该方法有效降低了误报率，优化了资源使用，展示了时空分析与联邦学习在提升网络安全方面的潜力。

本研究提出了一种新颖的时空图神经网络架构，解决了传统模型忽视空间扩散影响的问题。通过真实数据验证，该模型在捕捉时空依赖性方面表现出色。

本研究提出了一种基于河流流量图的因果流量预测方法（CSF），克服了传统水文建模在流量预测中的局限性。该方法结合时空图神经网络和领域知识，在德克萨斯州Brazos河流域的实际案例中优于常规方法，展示了其在水文建模中的应用潜力。

本研究分析了时空图神经网络在长期交通预测中的适应性不足，提出了一种基于主成分分析的嵌入方法，以提高模型的灵活性和跨城市的零-shot预测能力。

本研究提出了一种新型多分支时空图神经网络，旨在提升冰层图像质量和厚度预测的准确性，显著优于现有模型。

本研究利用库普曼理论提出新方法，解决时空图神经网络在动态理解和行为解释上的复杂性。通过动态模式分解和稀疏非线性动力学识别，成功识别感染时间和受感染节点，推动时序图的理论理解与应用。