该研究论文提出了一种新的联合图模型框架来填补现有的状态空间模型中静态图模型和基于因果关系的图模型之间的缺失。作者通过引入一个高效的块交替主要化极小化算法实现了该框架，并通过对合成和真实气象变化数据的实验验证了所提出模型和推断算法的有效性。

Jul, 2023

本文介绍了两种新的机器学习方法来估计时间变化的网络，采用了一种顺序平滑的 $l_{1}$ 正则化逻辑回归形式，可用作标准凸优化问题，并利用通用求解器高效地解决大型网络。本文在虚拟数据集中还原时间变化网络，同时，从议员投票记录中反向构建了渐进改组政治网络的潜在序列，以及从周期性实验中重建了生物当量基因网络中的潜在演化调控网络。

Dec, 2008

本文介绍了一个名为 Tensor Graphical Lasso (TeraLasso) 的多维张量图形 Lasso 的通用模型，可以准确地和可扩展地估计高维变量数据的条件依赖关系，通过提出的复合梯度下降算法，TeraLasso 模型可以有效计算。该模型可以准确地估计精确的矩阵和恢复有意义的条件依赖图，而且在模拟和实验数据中得到广泛应用。

May, 2017

本文提出了一种基于稀疏差异先验的正则化 M - 估计方法，通过估计图和变化点结构相结合，探讨了多变量时序的时间变化精度矩阵的动态条件依赖结构，以及其应对于稀疏依赖结构或平滑演化图结构的需求。此外，方法的扩张能使得在多个系统的依赖关系中进行变化点的估计，并提出了一种高效算法用于对结构的估计，最后，对两个真实世界数据集的定性影响以及合理性进行研究。

Dec, 2015

本文旨在将分布式计算文献中的各种概念、形式主义和结果整合到一个统一框架中，我们将其称为时间变化图表（TVG），并概括性地介绍它们的分类和应用。

Nov, 2010

本文介绍了基于交替方向乘子法的分布式可扩展解决网络套索问题的算法，在图形数据上进行聚类和优化，比对了基准方法并表明其是在解决大型优化问题中既快速又准确的方法。

Jul, 2015

本文研究使用高维数据集对多个相关但不同的图形模型进行估计问题，在基于组织样本的基因表达数据的分析中应用联合图形 Lasso 方法，以获得更准确的网络和协方差结构估计。

Nov, 2011

一种支持多元时间序列预测的灵活模型，可以基于完全联通或双部分图推断时间序列之间的关系，提供高精度或高效率预测并降低时间和内存复杂度。在多个数据集中表现优于之前的图推断方法。

Mar, 2022

本文提出了一种适用于动态网络的统计模型 Neural Latent Space Model with Variational Inference，该模型能够表示并预测网络结构的演化，并在同质、双部分和异质网络的真实数据集上表现出优异的性能。

Nov, 2019

本文探讨了通过多变量自回归（MAR）过程建模的稀疏因果网络的推断问题。在满足 “假连接得分” 条件下，得出 Group Lasso (gLasso) 程序可以一致地估计稀疏网络结构的结论，这也被证明是一种有效的复原度量。作者建议改进 gLasso 过程，以提高假连接得分并减少因果影响方向反转的可能性。计算实验和基于真实网络的 ECoG 模拟研究证明了该方法的有效性。

Jun, 2011