本文档属于类型b（综述类论文）。以下是针对《A Survey of Dynamic Graph Neural Networks》的学术报告：

作者及机构
本文由Yanping Zheng、Lu Yi和Zhe Wei（通讯作者）合作完成，三位作者均来自中国人民大学高瓴人工智能学院（Gaoling School of Artificial Intelligence, Renmin University of China）。论文于2024年发表在《Frontiers of Computer Science》期刊，开放获取发布于Springer和HEP平台。

主题与背景
本文系统综述了动态图神经网络（Dynamic Graph Neural Networks, Dynamic GNNs）的研究进展。传统图神经网络（GNNs）主要针对静态图数据，但现实世界的网络（如社交网络、交通系统、生物网络）具有动态演化的特性，其拓扑结构和节点属性会随时间变化。动态GNNs通过将序列建模模块与传统GNN架构结合，旨在捕捉动态图中的时间依赖性，从而更真实地刻画复杂网络。本文全面梳理了动态GNNs的基础概念、关键技术、主流模型分类，并探讨了大规模动态GNNs、预训练技术及未来研究方向。

主要观点与论据

1. 动态图的分类与建模挑战
   动态图分为离散时间动态图（Discrete-Time Dynamic Graphs, DTDGs）和连续时间动态图（Continuous-Time Dynamic Graphs, CTDGs）。DTDGs通过时间切片捕捉静态图快照序列，但可能丢失细节；CTDGs以事件三元组（节点、事件类型、时间戳）记录变化，能更精确建模异步事件。论文以社交网络为例，说明动态图中节点和边的增减、属性变化如何体现时间演化特性。支持理论包括霍克斯过程（Hawkes Process）和时序随机游走（Temporal Random Walk）等时序建模方法。

2. 动态GNNs的核心技术框架

   • DTDGs模型：主流方法将静态GNN（如GCN、GAT）与序列模型（如RNN、LSTM、Transformer）结合，分为堆叠架构（如CD-GCN、DySAT）和集成架构（如GC-LSTM、LRGCN）。堆叠架构先独立处理各快照，再用序列模型聚合时序信息；集成架构则在单层内融合GNN与RNN。
     
   • CTDGs模型：分为三类：基于时序点过程（如DyRep、LDG）、基于RNN（如JODIE、TGAT）和基于时序随机游走（如CAW-N、Zebra）。例如，TGAT引入时间编码函数，将连续时间映射为向量空间；TGN通过内存模块异步更新节点历史状态。
     

论文通过对比表（如表2）详细分析了各模型支持的图事件类型（如节点/边增删、属性更新）和适用范围，并指出CTDGs模型更擅长处理高频变化的实时数据。

1. 大规模动态图的高效处理技术
   针对动态图规模扩展的挑战，论文总结了两类解决方案：

   • 算法优化：如SEIGN仅更新图卷积核参数而非整个GNN模型；Zheng等提出的解耦GNN（Decoupled GNN）分离图传播与任务训练流程，支持增量更新。
     
   • 训练框架：如TGL框架设计时序CSR数据结构和并行采样器，支持多GPU训练；DistTGL通过时间周期并行和内存并行提升分布式训练效率。实验表明，这些方法在Taobao、MAG等十亿级边数据集上实现了近线性加速比。

2. 数据集与评测任务
   论文归纳了20余个公开动态图数据集（如表4），涵盖社交网络（如Reddit）、电商（如Taobao）、交通（如Flights）等领域，分析了其规模、特征缺失等共性问题。评测任务包括：

   • 时序链路预测：预测未来边是否存在，如学术合作网络中的作者合作关系。
     
   • 异常检测：识别异常边（如电商刷单行为）或节点（如欺诈用户）。
     
   • 动态社区发现：追踪社区结构演化，如社交网络中的兴趣群体分化。
     论文特别强调，动态图任务需区分归纳（Inductive）与转导（Transductive）设置，以及内插（Interpolation）与外推（Extrapolation）预测场景。

3. 未来研究方向
   作者提出四个关键挑战与机遇：

   • 理论分析：动态GNNs的收敛性和表达能力缺乏严格数学证明。
     
   • 异构信息处理：现有模型对多模态属性（如文本、图像）的动态融合能力不足。
     
   • 自适应与记忆增强模型：如结合外部记忆模块（Memory Bank）长期存储历史模式。
     
   • 预训练与迁移学习：需开发动态图专用的预训练策略，以缓解数据稀缺问题。

论文价值与意义
1. 学术价值：首次系统构建了动态GNNs的知识体系，提出基于时序信息整合方式的模型分类法（如图1），填补了该领域综述的空白。
2. 应用价值：为社交网络分析、金融风控、交通预测等场景提供了模型选型指南，例如推荐系统可选用TGAT或TGN处理用户实时交互数据。
3. 方法论创新：强调动态图与传统时空图（Spatio-Temporal Graphs）的本质区别，后者仅节点属性随时间变化而拓扑结构静态，不属于本文讨论范畴。

亮点总结
- 全面性：覆盖2017–2024年代表性工作，包括前沿模型如CAW-N（ICLR 2021）和Zebra（KDD 2022）。
- 批判性视角：指出当前数据集普遍缺乏节点/边特征，制约模型泛化能力。
- 技术前瞻性：提出“动态图预训练”等未充分探索的方向，为后续研究提供路线图。

本文对动态图神经网络领域的研究者、工程师及跨学科应用开发者具有重要参考价值。