Inferring Dynamic Hidden Graph Structure in Heterogeneous Correlated Time Series
异质相关时间序列中的动态隐含图结构推断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：摘要核心是异质时间序列的窗口化时变相关分析，图结构仅表示信号关系，未明确研究经济网络或干扰。
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…
异质相关时间序列中的动态隐含图结构推断
- 研究问题
- 当多个序列具有不同周期和生成过程时，如何从观测信号识别随时间变化的相关关系，并表示其隐含动态图结构？
- 方法与思路
- 作者提出窗口化方差相关指标，在指定时间区间内量化信号之间的时变相关性，将结果表示为加权邻接矩阵并进行模拟评价。
- 材料陈述的贡献
- 摘要称该指标在模拟中捕捉到其他方法遗漏的相关性，并能将差异明显的信号之间的动态关系纳入统一图表示。
- 阅读关注点
- 应核对指标公式、窗口长度与周期差异的处理、边权解释，以及模拟真值、比较方法和动态关系恢复的评价标准。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未提供误差保证或实证结果，相关图本身也不确立因果或干扰关系。
原文摘要
Modeling heterogeneous correlated time series requires the ability to learn hidden dynamic relationships between component time series with possibly varying periodicities and generative processes. To address this challenge, we formulate and evaluate a windowed variance-correlation metric (WVC) designed to quantify time-varying correlations between signals. This method directly recovers hidden relationships in an specified time interval as a weighted adjacency matrix, consequently inferring hidden dynamic graph structure. On simulated data, our method captures correlations that other methods miss. The proposed method expands the ability to learn dynamic graph structure between significantly different signals within a single cohesive dynamical graph model.