图神经网络（GNNs）在建模关系型数据方面表现出潜力，被广泛应用。最近，使用连续动态学的GNNs的作品出现，旨在解决GNNs的局限性。本调查全面审查了使用连续动态学视角的研究，介绍了基本要素和一般框架，并回顾和分类了现有作品。同时总结了如何解决经典GNNs的局限性，并确定了多个开放的研究方向。

图神经网络（GNNs）在建模关系型数据方面表现出潜力，被广泛应用。最近，使用连续动态学的GNNs旨在解决其局限性。本调查全面审查了使用连续动态学视角的研究，介绍了基本要素和一般框架，并回顾和分类了现有作品。还总结了如何解决经典GNNs的局限性，并确定了多个开放的研究方向。

图神经网络（GNNs）在建模关系型数据方面表现出潜力，最近出现了使用连续动态学的GNNs的作品，旨在解决其局限性。本调查全面审查了使用连续动态学视角的研究，介绍了适应GNNs的连续动态学的基本要素和一般框架，并回顾和分类了现有作品。同时总结了解决经典GNNs局限性的方法，并确定了多个开放的研究方向。

图神经网络（GNNs）在建模关系型数据方面表现出潜力，最近使用连续动态学的GNNs旨在解决其局限性。本文首次全面审查了使用连续动态学视角的研究，介绍了基本要素和一般框架，并回顾和分类了现有作品。同时总结了如何解决经典GNNs的局限性，并确定了多个开放的研究方向。

本文探讨了图神经网络在建模关系型数据方面的潜力和局限，介绍了使用连续动态学的GNNs的优势和局限性，以及适应GNNs的连续动态学的基本要素和对图神经动力学设计的一般框架。作者回顾和分类了现有作品，并确定了多个开放的研究方向。