图片

论文链接：https://arxiv.org/abs/2301.10569

图神经网络在过去几年中获得了巨大的兴趣。这些强大的算法将深度学习模型扩展到非欧氏空间，并能够在包括推荐系统和社交网络在内的各种应用中实现最先进的性能。然而，这种性能是基于静态图结构假设的，这限制了图神经网络在数据随时间变化时的性能。时序图神经网络是考虑时间因素的图神经网络的扩展。近年来，各种时序图神经网络算法被提出，并在多个时间相关应用中取得了优于其他深度学习算法的性能。本综述讨论了与时空图神经网络相关的有趣主题，包括算法、应用和开放挑战。

图神经网络(GNN)是一类深度学习模型，专门设计用于处理图结构数据。这些模型利用图拓扑来学习图的节点和边的有意义表示。图神经网络是传统卷积神经网络的扩展，在图分类、节点分类和链接预测等任务中被证明是有效的。GNNs的关键优势之一是，即使在基础图的规模增长时，它们也能保持良好的性能，这是因为可学习参数的数量独立于图中节点的数量。图神经网络(GNN)已被广泛应用于各种领域，如推荐系统、药物发现和生物学以及自治系统中的资源分配。然而，这些模型仅限于静态图数据，其中图结构是固定的。近年来，时变图数据引起了人们越来越多的关注，它出现在各种系统中并携带有价值的时间信息。时变图数据的应用包括多元时间序列数据、社交网络、视听系统等。

为了满足这一需求，出现了一种新的GNN族:时空GNN，通过学习图结构的时间表示，同时考虑了数据的空间和时间维度。本文对最先进的时空图神经网络进行了全面的回顾。本文首先简要概述不同类型的时空图神经网络及其基本假设。更详细地研究了时空GNN中使用的特定算法，同时也为这些模型的分组提供了有用的分类法。本文还概述了时空GNN的各种应用，强调了这些模型已被用于取得最先进结果的关键领域。最后，讨论了该领域面临的挑战和未来的研究方向。总之，本综述旨在对时空图神经网络进行全面和深入的研究，强调该领域的现状、仍然需要解决的关键挑战，以及这些模型令人兴奋的未来可能性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除