Change Point Detection in Dynamic Graphs with Decoder-only Latent Space Model
基于仅解码器潜在空间模型的动态图变点检测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：摘要的直接方法目标是图时间序列的无监督变点检测，对应结构变化；图数据本身不足以支持网络干扰推断分类。
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…
基于仅解码器潜在空间模型的动态图变点检测
- 研究问题
- 对于按时间观测的图序列，如何在没有变点标签的情况下学习低维表示，并识别图结构随时间发生变化的位置？
- 方法与思路
- 作者用经验贝叶斯学习潜在表示的先验，以带组融合 Lasso 惩罚的近似似然估计参数，结合 ADMM 与朗之万动力学计算。
- 材料陈述的贡献
- 摘要称该潜在空间模型在模拟中具有良好的变点检测表现，真实数据识别出的变点与重大事件相吻合，但未提供数值。
- 阅读关注点
- 应核对潜在先验参数的变化如何对应图结构变点、正则化参数选择与近似误差，以及变点定位的评价标准和事件匹配规则。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明变点一致性或误报控制，事件吻合不能直接证明检测机制正确。
原文摘要
This manuscript studies the unsupervised change point detection problem in time series of graphs using a decoder-only latent space model. The proposed framework consists of learnable prior distributions for low-dimensional graph representations and of a decoder that bridges the observed graphs and latent representations. The prior distributions of the latent spaces are learned from the observed data as empirical Bayes to assist change point detection. Specifically, the model parameters are estimated via maximum approximate likelihood, with a Group Fused Lasso regularization imposed on the prior parameters. The augmented Lagrangian is solved via Alternating Direction Method of Multipliers, and Langevin Dynamics are recruited for posterior inference. Simulation studies show good performance of the latent space model in supporting change point detection and real data experiments yield change points that align with significant events.