本研究提出了GraphSSM框架，扩展了状态空间模型（SSM）理论，以建模时间图的动态性。实验验证了其在时间图基准测试中的有效性，并回顾了SSM的最新研究进展，比较了不同模型在学习长序列方面的性能，提出了改进训练算法的方法，以提高模型的普适性和预测能力。

该文介绍了一种基于时间图的动态链接属性预测方法，提出了一个简单的无优化基线“最近流行节点”，在数据集上表现优异。作者提出了两种基于Wasserstein距离的度量方式，用于量化数据集的短期和长期全局动态的强度，并证明了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。作者还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，结果表明时间图网络架构在具有重大全局动态的问题中需要进行深入的思考。

研究提出了FaSTMAN框架，用于构建顺序交易的时间图，适用于领域特定约束条件。该框架使用二阶图表示的加权方法来量化边的重要性，能够在更小而密集的网络流中分配复杂查询。经过多个大型欧洲银行的10亿个交易数据集的评估，结果表明该框架在效率和实用性上具有明显的优势。

Temporal Graph Benchmark是一个大规模数据集，用于评估机器学习模型在时间图上的性能。研究发现，对于动态节点属性预测任务，简单的方法比现有的时间图模型表现更好，并提供了一个自动化的机器学习流程用于时间图研究。