本研究提出了一种新的动态图神经网络（DGNN）架构，用于在时间金融网络中进行条件$m$步预测。通过模拟利率掉期交易网络数据验证，该模型能够准确预测净变动保证金，为监管机构提供监测系统性风险的工具。

该论文提出了一种用于强化学习中学习动态全局模型的方法，通过学习本地动态的上下文潜向量和条件预测下一个状态来实现学习全局动态模型的任务。该方法在各种模拟机器人控制任务中表现出优异的泛化能力，超过了现有的强化学习方案。