異種時間グラフ（HTG）は実世界に広く存在するデータ構造であり、多くの注目ベースのニューラルネットワークが提案されていますが、これらは空間的および時間的学習を分離して行うため、情報の相互作用が弱く、モデルが複雑になります。これを解決するために、著者たちは新しい学習パラダイム「シンプルで効率的な異種時間グラフニューラルネットワーク（SE-HTGNN）」を提案しました。このモデルでは、新たな動的注意メカニズムを通じて時間モデリングを空間学習に統合し、過去のグラフスナップショットからの情報を保持して注目計算を導くことで、HTGの表現学習を改善します。また、大規模言語モデルを活用し、ノードの種類に関連する暗黙的な特性を捉えることも目指しています。実験結果は、SE-HTGNNが最新のベースラインに対し最大10倍の速度向上を達成しつつ、予測精度を維持することを示しています。