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，结合编码-解码结构和门控递归单元（GRU），旨在解决传统时空预测模型未能充分考虑空间扩散影响的问题。该模型在印度比哈尔州和中国的真实数据集上验证，展现出优秀的时空依赖性捕捉能力。

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。

本研究提出了一种多分支时空图神经网络，旨在提高冰层厚度预测的准确性和效率。该方法有效解决了噪声对冰层图像质量的影响，显著优于现有的时空图神经网络模型。

本研究基于库普曼理论，提出了一种新方法解释时空图神经网络（STGNNs）的动态行为。通过动态模式分解和稀疏非线性动力学识别，成功识别了感染时间和受感染节点等特征，推动了时序图的理论理解与应用。

本文探讨了在超宇宙中通过神经网络学习图结构数据的嵌入方法，提出了基于黎曼几何的变分自编码器框架，展示了不同几何结构对机器学习模型性能的提升。研究强调了范数空间在图嵌入中的优势，并提出了新的时空图神经网络模型，以改善动态系统建模效果。

本文提出了一种层次化的时空图神经网络模型（HiSTGNN），用于模拟气象变量的跨区域时空相关性。该模型在三个真实气象数据集上表现优异，误差降低4.2%至11.6%。研究还展示了基于图形结构的方法，显著提升了时间序列预测的性能，尤其在长期预测任务中，均方误差减少23%。

本文提出了一种双流自编码器框架，通过对抗学习增强空间-时间记忆，成功检测视频中的异常。在UCSD Ped2和CUHK Avenue数据集上，该方法的AUC分别达到98.1%和89.8%。此外，研究还介绍了多种时空图神经网络模型，提升了交通管理和欺诈检测的性能，具有较高的准确性和可解释性。