研究人员开发了新的方法，通过整合现代序列建模的原理来改进图学习。一种方法MP-SSM将状态空间模型（SSM）计算直接嵌入消息传递神经网络框架中，能够对静态图和时间图进行高效且排列等变的远程信息传播。另一种方法SiST-GNN在单一消息传递操作中融合了空间和时间信号，用于动态图表示学习，在链接预测和节点分类任务上取得了显著的最新进展。 AI
影响 图表示学习的这些进展可能导致更复杂的AI模型，用于分析社交网络、推荐系统和科学模拟等领域的复杂动态数据集。
排序理由 两篇介绍图神经网络新方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2505.18728v2 Announce Type: replace-cross Abstract: The recent success of State-Space Models (SSMs) in sequence modeling has motivated their adaptation to graph learning, giving rise to Graph State-Space Models (GSSMs). However, existing GSSMs operate by applying SSM module…
arXiv:2605.25548v1 Announce Type: cross Abstract: Dynamic graph neural networks (DGNNs) that operate on snapshot sequences typically fall into one of two categories. \emph{Temporal-first} approaches build per-node temporal embeddings and only afterwards perform spatial aggregatio…