Euclidean mirrors and dynamics in network time series
网络时间序列中的欧氏镜像与动态演化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：摘要直接分析网络时间序列的动态结构、变点与异常检测。
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…
网络时间序列中的欧氏镜像与动态演化
- 研究问题
- 如何从观测网络刻画随时间变化的潜在结构，将网络演化可视化，并把变点和异常检测转化为较熟悉的统计问题？
- 方法与思路
- 作者以时变低维节点潜向量建立联合网络模型，用观测网络间的分离度近似潜在结构距离，构造欧氏镜像表示。
- 材料陈述的贡献
- 摘要称，该表示支持网络演化可视化及变点、异常检测，并在组织通信网络中发现对应疫情政策重大变化的变点。
- 阅读关注点
- 应核对潜向量模型、距离及流形条件，观测距离的近似误差，以及欧氏表示构造、变点检测和政策对应关系。
- 阅读边界
- 这是arXiv预印本，同行评审及接收状态未核实；摘要未列出所谓温和假设和检测误差，政策时点对应不能证明因果影响。
原文摘要
Analyzing changes in network evolution is central to statistical network inference, as underscored by recent challenges of predicting and distinguishing pandemic-induced transformations in organizational and communication networks. We consider a joint network model in which each node has an associated time-varying low-dimensional latent vector of feature data, and connection probabilities are functions of these vectors. Under mild assumptions, the time-varying evolution of the latent vectors exhibits low-dimensional manifold structure under a suitable notion of distance. This distance can be approximated by a measure of separation between the observed networks themselves, and there exist Euclidean representations for underlying network structure, as characterized by this distance, at any given time. These Euclidean representations, called Euclidean mirrors, permit the visualization of network evolution and transform network inference questions such as change-point and anomaly detection into a classical setting. We illustrate our methodology with real and synthetic data, and identify change points corresponding to massive shifts in pandemic policies in a communication network of a large organization.