Una encuesta completa de redes neuronales gráficas dinámicas: modelos, marcos, benchmarks, experimentos y desafíos

Las redes neuronales gráficas dinámicas (GNNs) combinan información temporal con GNNs para capturar relaciones estructurales, temporales y contextuales en gráficos dinámicos simultáneamente, lo que lleva a un rendimiento mejorado en diversas aplicaciones. A medida que la demanda de GNNs dinámicas sigue creciendo, han surgido numerosos modelos y marcos para satisfacer diferentes necesidades de aplicación. Existe una necesidad urgente de una encuesta completa que evalúe el rendimiento, las fortalezas y las limitaciones de varios enfoques en este dominio. Este documento tiene como objetivo llenar este vacío ofreciendo un análisis comparativo exhaustivo y una evaluación experimental de las GNNs dinámicas. Cubre 81 modelos de GNN dinámicas con una nueva taxonomía, 12 marcos de entrenamiento de GNN dinámicas y benchmarks comúnmente utilizados. También realizamos resultados experimentales de la prueba de nueve modelos de GNN dinámicas representativos y tres marcos en seis conjuntos de datos de gráficos estándar. Las métricas de evaluación se centran en la precisión de convergencia, la eficiencia de entrenamiento y el uso de memoria de GPU, lo que permite una comparación exhaustiva del rendimiento a través de varios modelos y marcos. A partir de los resultados del análisis y la evaluación, identificamos desafíos clave y ofrecemos principios para futuras investigaciones que mejoren el diseño de modelos y marcos en el campo de las GNNs dinámicas.