A survey of dynamic graph neural networks

图神经网络（GNN）已成为有效挖掘和学习图结构数据的强大工具，应用领域涵盖众多领域。然而，大多数研究集中在静态图上，忽略了现实世界网络的动态性，其中拓扑和属性随时间演变。通过将序列建模模块集成到传统的GNN架构中，动态GNN旨在弥合这一差距，捕捉动态图的固有时间依赖性，以更真实地描绘复杂网络。本文全面回顾了基本概念、关键技术和最先进的动态GNN模型。我们详细介绍了主流动态GNN模型，并根据时间信息的融合方式对模型进行分类。我们还讨论了大规模动态GNN和预训练技术。尽管动态GNN已经表现出卓越的性能，但在可扩展性、处理异构信息和缺乏多样化的图数据集方面仍存在挑战。本文还讨论了可能的未来方向，例如自适应和记忆增强模型、归纳学习和理论分析。

本文旨在解决静态图无法表达真实世界动态网络的问题，提出了动态图神经网络的概念，并探讨了如何将时间信息融入传统图神经网络中。

通过将序列建模模块集成到传统图神经网络中，动态图神经网络旨在捕捉动态图的内在时间依赖性，实现对复杂网络的更真实描述。

本文对动态图神经网络的基本概念、关键技术和最新的动态图神经网络模型进行了全面的综述。论文详细介绍了主流的动态图神经网络模型，并根据时间信息的融合方式进行分类。此外，还探讨了大规模动态图神经网络和预训练技术等问题。虽然动态图神经网络表现出了优越的性能，但在可扩展性、处理异构信息和缺乏多样化的图数据集等方面仍存在挑战。本文还讨论了可能的未来方向，如自适应和记忆增强模型、归纳学习和理论分析。

最近在这个领域中的相关研究包括：《Dynamic Graph Convolutional Networks》、《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》、《Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting》等。