Spiking Dynamic Graph Network (SDGN)은 신경과학, 역학, 금융, 사회과학 등의 분야에서 중요한 역할을 하는 시간적 점 과정(TPPs)을 모델링하고 예측하기 위한 새로운 프레임워크입니다. SDGN은 스파이킹 신경망(SNNs)의 시간 처리 능력과 스파이크 시간 의존 가소성(STDP)을 활용하여 기저 공간-시간 기능 그래프를 동적으로 추정합니다. 기존의 미리 정의되거나 정적인 그래프 구조에 의존하는 방법과 달리, SDGN은 이벤트 데이터에서 직접 동적 공간-시간 종속성을 학습하여 일반화 및 강건성을 향상시킵니다. NYC Taxi, 911, Reddit, Stack Overflow를 포함한 합성 및 실제 데이터셋에 대한 평가 결과, SDGN은 계산 효율성을 유지하면서 우수한 예측 정확도를 달성하는 것으로 나타났습니다. 또한, 핵심 구성 요소의 기여를 강조하기 위해 ablation study를 포함했습니다.
