動的グラフニューラルネットワークは、時間の経過とともに変化する複雑なグラフ構造を効果的にモデル化し、学習することができる。大規模な動的グラフを処理し学習するための様々な手法が提案されている。
動的グラフの時間的な進化を効率的かつ包括的に捉えることが重要である。スパイキングニューラルネットワーク(SNN)の時間的ダイナミクスと低消費電力の特性を活用し、動的グラフ表現学習のための新しいフレームワークSiGNNを提案する。
動的グラフの表現学習において、最小限かつ十分な予測的コンセンサス表現を学習することが重要である。
動的グラフの時間的エッジ状態を明示的にモデル化し、構造強化グラフトランスフォーマーを用いて時間的ノード表現を学習する新しい枠組みを提案する。