该研究提出了一种新的多聚合器时间扭曲异构图神经网络（MTHGNN），有效捕捉用户偏好的时间动态变化，显著提升短视频推荐效果。

本研究提出了一种新的TPP-Gaze方法，解决了现有模型在预测观察者视觉扫描路径时间动态方面的不足。该模型在五个数据集上表现优于现有方法，具有重要的应用潜力。

本研究首次量化数据中心减碳的碳强度预测不确定性，并分析了时间和空间不确定性对系统的影响。通过引入一致预测框架，解决了碳强度预测中的时间动态不确定性问题。评估结果表明，技术稳健地实现了目标覆盖率的不确定性量化。通过两个案例研究，结果显示将不确定性纳入调度决策可以防止碳排放量增加5%和14%，在一个20兆瓦的数据中心群组中，绝对减少了2.1和10.4吨的碳排放量。

最新发布的时间图基准表明，流行的节点方法在中大型数据集上表现优异。通过分析强基线，发现标准的负采样评估对于具有强时间动态的数据集可能不适用。提出了改进的负采样方案，并与非对比训练的模型进行了比较。结果显示时间图网络架构在具有重大全局动态的问题中需要深入思考。

提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性。

该研究提出了临时图神经网络（TempGNN）用于捕捉复杂项目转换中的结构和时间动态的通用框架，并通过预测下一步行动来进行会话推荐。实验结果表明，该方法有效且适应性强，在两个真实的电子商务数据集上取得了最先进的性能。

该研究提出了临时图神经网络（TempGNN），用于捕捉复杂项目转换中的结构和时间动态的通用框架。该方法可用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐。实验结果表明，该方法在两个真实的电子商务数据集上取得了最先进的性能。