Some recent trends in embeddings of time series and dynamic networks
时间序列与动态网络嵌入的近期发展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：摘要直接讨论时间序列嵌入、动态因子模型及神经网络方法的预测表现。
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…
时间序列与动态网络嵌入的近期发展
- 研究问题
- 时间序列和动态网络的嵌入方法有哪些近期进展，静态方法推广到动态情形时面临哪些理论缺口与尚未解决的问题？
- 方法与思路
- 作者从主成分方法出发，综述动态因子模型、神经网络非线性嵌入、拓扑数据分析及动态网络嵌入，并提供两个模拟例子。
- 材料陈述的贡献
- 摘要所述贡献是梳理不同动态嵌入路线及其开放问题，并指出动态网络理论与现实网络行为之间可能存在的差距。
- 阅读关注点
- 应核对各类嵌入的目标、时间变化处理方式与可比较性，以及预测竞赛表现的证据来源和两个模拟例子所能说明的范围。
- 阅读边界
- 依据的是 arXiv 预印本摘要，同行评审及期刊接收未核实；这是一篇综述，摘要未提供统一性能比较或动态网络理论缺口的具体条件。
原文摘要
We give a review of some recent developments in embeddings of time series and dynamic networks. We start out with traditional principal components and then look at extensions to dynamic factor models for time series. Unlike principal components for time series, the literature on time-varying nonlinear embedding is rather sparse. The most promising approaches in the literature is neural network based, and has recently performed well in forecasting competitions. We also touch upon different forms of dynamics in topological data analysis. The last part of the paper deals with embedding of dynamic networks where we believe there is a gap between available theory and the behavior of most real world networks. We illustrate our review with two simulated examples. Throughout the review, we highlight differences between the static and dynamic case, and point to several open problems in the dynamic case.