DAMNETS: A Deep Autoregressive Model for Generating Markovian Network Time Series
DAMNETS：生成马尔可夫网络时间序列的深度自回归模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要的直接对象是动态网络及其时间依赖，因此选择网络和时间序列方向；未明确研究干扰效应或宏观经济变量。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
DAMNETS：生成马尔可夫网络时间序列的深度自回归模型
- 研究问题
- 面对高维动态网络，如何构建可扩展的生成模型，同时表达网络的时间依赖和每个时点的网络结构特征？
- 方法与思路
- 作者提出深度自回归生成模型 DAMNETS，用于生成马尔可夫网络时间序列，并在真实与合成数据上进行比较。
- 材料陈述的贡献
- 摘要称，DAMNETS 在研究采用的全部样本质量指标上优于比较方法；具体指标、改善幅度和计算规模未说明。
- 阅读关注点
- 应核对马尔可夫假设与自回归分解、节点和边的表示方式、可扩展性的衡量，以及生成质量指标和比较基线。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明架构和评价细节，生成质量不等同于因果有效性。
原文摘要
Generative models for network time series (also known as dynamic graphs) have tremendous potential in fields such as epidemiology, biology and economics, where complex graph-based dynamics are core objects of study. Designing flexible and scalable generative models is a very challenging task due to the high dimensionality of the data, as well as the need to represent temporal dependencies and marginal network structure. Here we introduce DAMNETS, a scalable deep generative model for network time series. DAMNETS outperforms competing methods on all of our measures of sample quality, over both real and synthetic data sets.