A Comprehensive Survey of Dynamic Graph Neural Networks: Models, Frameworks, Benchmarks, Experiments and Challenges

动态图神经网络（GNN）将时间信息与GNN相结合，同时捕捉动态图中的结构、时间和上下文关系，从而在各种应用中提高性能。随着对动态GNN的需求不断增长，出现了许多模型和框架来满足不同的应用需求。目前迫切需要一份全面的调查报告，评估该领域中各种方法的性能、优势和局限性。本文旨在通过对动态GNN进行彻底的比较分析和实验评估来填补这一空白。它涵盖了81种动态GNN模型和一种新的分类法，12种动态GNN训练框架以及常用的基准测试。我们还对六个标准图数据集上的代表性九个动态GNN模型和三个框架进行了实验结果测试。评估指标重点关注收敛精度、训练效率和GPU内存使用情况，从而全面比较各种模型和框架的性能。通过分析和评估结果，我们确定了主要挑战，并提出了未来研究的原则，以增强动态GNN领域的模型和框架设计。

本论文旨在填补动态图神经网络（GNN）领域的综合性调查的空白，以评估各种方法的性能、优势和局限性。

本论文提出了一种新的分类法，涵盖了81种动态GNN模型和12种动态GNN训练框架，并对常用基准进行了实验评估，重点关注收敛精度、训练效率和GPU内存使用等评价指标。

实验结果表明，本论文提出的动态GNN模型和训练框架相比于其他方法具有更好的性能。此外，本论文还提出了未来研究的原则和挑战，以进一步提高动态GNN模型和框架的设计。

最近在这个领域中，还有一些相关的研究，例如“Dynamic Graph Convolutional Networks”和“STGCN: Spatial Temporal Graph Convolutional Networks for Traffic Forecasting”。