这些强大的算法在过去几年中获得了极大的兴趣。然而，这种性能是基于静态图结构假设，这限制了图神经网络在数据随时间变化时的性能。时间图神经网络是考虑时间的图神经网络的扩展。近年来，已经提出了各种时间图神经网络算法，并在几个时间相关的应用中取得了优于其他深度学习算法的性能。本调查讨论了与时空图神经网络相关的有趣主题，包括算法、应用程序和开放式挑战。论文地址：https://arxiv.org/abs/2301.105691。图神经网络（GNN）是一类专门为处理图结构数据而设计的深度学习模型。这些模型利用图拓扑来学习图的节点和边的有意义的表示。图神经网络是传统卷积神经网络的扩展，已被证明在图分类、节点分类和链接预测等任务中有效。GNN的主要优势之一是即使底层图的大小增加，它们也能保持良好的性能，因为可学习参数的数量与图中的节点数量无关。图神经网络(GNN)已广泛应用于各个领域，例如推荐系统、药物发现和生物学以及自治系统中的资源分配。但是，这些模型仅限于静态图形数据，其中图形结构是固定的。近年来，时变图数据引起了越来越多的关注，出现在各种系统中并携带着有价值的时间信息。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。为了满足这种需求，出现了一个新的GNN家族：时空GNN，通过学习时间的图形结构表示，同时考虑数据的空间和时间维度。本文全面回顾了最先进的时空图神经网络。本文首先简要概述了不同类型的时空图神经网络及其基本假设。对时空GNN中使用的特定算法进行了更详细的研究，同时还为对这些模型进行分组提供了有用的分类法。该论文还概述了时空GNN的各种应用，强调了这些模型已用于实现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，这篇综述旨在对时空图神经网络进行全面深入的研究，突出该领域的现状、仍需解决的关键挑战以及这些模型令人兴奋的未来可能性。2.算法时空图神经网络从算法的角度可以分为基于谱的和基于空间的两大类。另一个分类类别是引入时间变化的方法：另一种机器学习算法或在图结构中定义时间。2.1混合时空图神经网络混合时空图神经网络由两个主要部分组成：空间部分和时间部分。在混合时空图神经网络中，图神经网络算法用于对数据中的空间依赖性进行建模。2.2Solo-GraphNeuralNetwork在时空图神经网络中对时间建模的另一种方法是在GNN本身中定义时间框架。已经提出了各种方法，包括：将时间定义为边，将时间作为信号馈送到GNN，将时间建模为子图，以及将其他机器学习架构夹在GNN中（图2）。3.应用3.1多元时间序列预测受图神经网络处理关系依赖性能力的启发[10]，时空图神经网络被广泛应用于多元时间序列预测。应用包括流量预报、Covid预报、光伏功耗、RSU通信和地震应用。3.2字符交互在机器学习和计算机视觉中，时空域学习仍然是一个非常具有挑战性的问题。主要挑战是如何在大型时空上下文中对对象与更高级别概念之间的交互进行建模[18]。在这样一项艰巨的学习任务中，有效地模拟空间关系、局部外观以及复杂的交互和随时间的变化是至关重要的。[18]引入了一种在空间和时间上重复出现的时空图神经网络模型，适用于捕捉不断变化的世界场景中不同实体和对象的局部外观和复杂的高层交互[18]。3.3动态图表示时序图表示学习一直被认为是图机器学习中一个非常重要的方面[15,31]。针对现有方法依赖时态图的离散快照且无法捕获强大表示的局限性，[3]提出了一种基于时空图神经网络的动态图表示学习方法。此外，[15]现在使用时空GNN来动态表示脑图。多目标跟踪视频中的多目标跟踪在很大程度上依赖于对目标之间的时空交互进行建模[16]。[16]提出了一种时空图神经网络算法来模拟对象之间的时空交互。3.4手语解释手语通过视觉-手语的方式传达意义，是聋人和听力障碍人群的主要交流工具。为了弥合口语和手语用户之间的沟通差距，引入了机器学习技术。传统上，神经机器翻译已被广泛采用，但需要更先进的方法来捕捉手语的空间属性。[13]提出了一种基于时空图神经网络的手语翻译系统，具有很强的捕捉手语时空结构的能力，与传统的神经机器翻译方法[13]相比取得了最好的性能。3.5技术增长排名了解技术的增长率是技术行业业务战略的核心。此外，预测技术的增长率及其相互关系有助于在产品定义、营销策略和研发方面做出业务决策。[32]提出了一种基于时空图神经网络的社交网络技术增长排名预测方法。4.结论图神经网络在过去几年中引起了极大的兴趣。这些强大的算法将深度学习模型扩展到非欧几里德空间。然而，图神经网络受限于静态图结构假设，这限制了图神经网络在数据随时间变化时的性能。时间图神经网络是考虑时间的图神经网络的扩展。本文全面概述了时空图神经网络。本文提出了一种基于时变方法将时空图神经网络分为两类的分类法。还讨论了时空图神经网络的广泛应用。最后，根据时空图神经网络当前面临的开放挑战提出了未来的研究方向。参考资料：https://arxiv.org/abs/2301.10569
