面向时序图的图神经网络：研究现状、开放挑战与机遇
机器学习
2025-04-29 v4 人工智能
摘要
图神经网络 (GNN) 已成为在（静态）图结构数据上学习的主导范式。然而，许多真实世界系统本质上是动态的，因为图及节点/边属性随时间变化。近年来，面向时序图的基于 GNN 的模型已成为扩展 GNN 能力的有前景的研究领域。本工作中，我们首次提供对当前时序 GNN 研究现状的全面概述，引入对学习设置与任务的严格形式化，以及一种根据时序方面如何被表示与处理对现有方法进行分类的新分类法。我们以讨论该领域最相关的开放挑战作结，涵盖研究与应用的双重视角。
引用
@article{arxiv.2302.01018,
title = {Graph Neural Networks for temporal graphs: State of the art, open challenges, and opportunities},
author = {Antonio Longa and Veronica Lachi and Gabriele Santin and Monica Bianchini and Bruno Lepri and Pietro Lio and Franco Scarselli and Andrea Passerini},
journal= {arXiv preprint arXiv:2302.01018},
year = {2025}
}