본 논문은 스파이킹 신경망(SNNs)과 그래프 신경망(GNNs)을 통합하여 동적 그래프 표현 학습의 복잡성과 메모리 오버헤드 문제를 해결하는 새로운 프레임워크인 DySiGN (Dynamic Spiking Graph Neural Networks)을 제시합니다. 기존 방법들이 이진 특징 사용으로 정보 손실을 초래하고, 시간에 따른 정보 전파로 메모리 요구량이 증가하는 문제점을 가지는 것과 달리, DySiGN은 초기 레이어 정보를 최종 레이어로 직접 전파하여 정보 손실을 완화하고, 평형 상태에 대한 암시적 미분을 적용하여 메모리 요구량을 줄입니다. 세 개의 대규모 실제 동적 그래프 데이터셋을 이용한 실험을 통해 동적 노드 분류 작업에서 DySiGN의 효과와 계산 비용 감소를 검증하였습니다.
