Euclidean Mirrors and Dynamics in Network Time Series
网络时间序列中的欧氏镜像与动态变化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。
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：摘要以动态网络的潜在结构、可视化和变化检测为核心，最直接对应网络方向。
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变化
- 研究问题
- 如何从观测到的动态网络中恢复潜在结构的演化表示，使网络变化能够被可视化，并用于变点和异常检测？
- 方法与思路
- 作者以时变低维潜向量描述节点，构造潜在演化的距离，并利用观测网络间的差异近似该距离，形成欧氏镜像表示。
- 材料陈述的贡献
- 摘要称，潜向量演化在适当距离下具有低维流形结构，欧氏表示支持变化检测，并在组织通信网络中发现与政策变化对应的变点。
- 阅读关注点
- 应核对距离定义、潜在结构与观测网络之间的近似保证，以及流形和欧氏表示条件、变点判断及异常识别的具体流程。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；模型条件与检测误差未展开，变点与疫情政策对应不能据此解释为政策的因果效应。
原文摘要
Analyzing changes in network evolution is central to statistical network inference. We consider a dynamic 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 evolution of latent vectors exhibits low-dimensional manifold structure under a suitable 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. These Euclidean representations, called Euclidean mirrors, permit the visualization of network dynamics and lead to methods for change point and anomaly detection in networks. 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. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.