我最初想了解预测和聚类这两个方向，也关注图神经网络与 Transformer。随着资料越来越多，单纯列模型名字已经不够，需要先说明自己想研究什么问题。
目前关注的线索
一条线索是动态图中的历史信息：哪些关系可以长期保留，哪些变化只是短期扰动，时间变化之后旧信息是否还适用。
另一条线索是动态图聚类：除了预测未来交互，也希望理解节点群体和结构如何随时间演化。
这些是当前的学习与研究兴趣，具体问题还需要结合论文、数据和复现逐步收窄。
学习顺序先放慢一点
我准备按下面的顺序推进：
- 理解图数据、消息传递与时间信息。
- 阅读代表性论文，同时对照作者代码。
- 固定数据、切分、采样和评价方式，建立基线记录。
- 在有运行证据之后，再讨论模型改动和效果。
例如，TGN 把动态图表示为带时间的事件序列，并结合记忆与图上的计算；它是我计划对照学习的入口之一。TGN 原论文、作者代码。
当前进度怎么记
目前已整理研究路线和文献知识库。现有 TGN 复现报告仍是未开始的记录框架，不能写成已经跑通或已经取得改进结果。
之后的实验记录会补上代码版本、运行配置、命令、日志和实际结果。阅读计划与实验成果分别记录，比较起来也更清楚。
接下来要补充
先把正在读的论文整理成问题、方法和评测三部分，再加入自己的理解与疑问。模型细节、推导和实验结果，等完成对应工作后再写成独立文章。
文献整理的方法也记在 Zotero 与 Obsidian 的使用记录 中。