복잡한 네트워크에서 연속 시간 동역학을 학습하는 것은 과학과 공학 분야의 복잡한 시스템을 이해하고, 예측하며, 제어하는 데 매우 중요합니다. 그러나 이 작업은 고차원 시스템의 구조적 복잡성, 그들의 미묘한 연속 시간 비선형 동역학, 그리고 구조-동역학 의존성으로 인해 매우 어려운 문제입니다. 이러한 도전 과제를 해결하기 위해, 우리는 데이터 주도 방식으로 복잡한 네트워크에서 연속 시간 동역학을 학습하기 위해 상미분방정식 체계(Ordinary Differential Equation Systems, ODEs)와 그래프 신경망(Graph Neural Networks, GNNs)를 결합하는 방법을 제안합니다. 우리는 GNNs를 사용하여 미분방정식 체계를 모델링합니다. 순방향 프로세스에서 이산적인 수의 신경층을 매핑하는 대신, 우리는 GNN 층을 수치적으로 연속 시간에 대해 적분하여 그래프 위에서의 연속 시간 동역학을 포착하게 됩니다. 우리의 모델은 연속 시간 GNN 모델 또는 그래프 신경 ODEs 모델로 해석될 수 있습니다. 우리의 모델은 통합된 프레임워크 내에서 연속 시간 네트워크 동역학 예측, 정형 샘플링된 구조적 시퀀스 예측(정기적으로 샘플링된 경우), 그리고 노드 반지도 분류 작업(단일 스냅샷 경우)에 활용될 수 있습니다. 우리는 위의 세 가지 시나리오에서 광범위한 실험을 통해 우리의 모델을 검증하였습니다. 유망한 실험 결과는 우리의 모델이 통합된 프레임워크 내에서 복잡한 시스템의 구조와 동역학을 동시에 포착할 수 있는 능력을 입증하고 있습니다.