本研究利用潜在欧氏空间嵌入纵向网络数据轨迹，提出了一种动态网络模型，采用 MCMC 算法估计模型参数和演员的潜在位置。该模型具有有意义的可视化效果，易于处理方向或无向边，缺失边且很好地用于预测未来边。此外，我们给出了一种新颖的方法来仅使用边信息来检测和可视化演员之间的吸引力。我们使用该模型研究了从荷兰教室和美国众议院成员收集的协同赞助网络中收集的数据，以展示该模型的实用性并使研究人员深入了解网络的演化和结构。

May, 2020

本文提出了一种基于潜在空间的统计模型，用于对社交网络、协作网络等观察到的具有时间动态的网络进行建模和分析，该模型可应用于社区检测和链路预测等任务，并与现有方法相比表现出更好的效果。

Feb, 2018

采用潜空间模型，利用链接函数建模平均耦合缔结及数据扩充进行广泛扩展，应用该方法于计数耦合缔结和非负实耦合缔结的模型分析模拟数据以及移动电话数据与国际贸易数据，通过马尔科夫蒙特卡罗算法评估模型参数和潜在演员轨迹获得对网络动力学的深入洞见。

May, 2020

本文回顾了动态网络的统计建模方法。我们重点介绍具有潜在变量的模型，特别是潜在空间模型和潜在类模型，旨在研究网络的观察特征和未观察结构。同时，我们还总结了这些动态模型在文献中研究的应用，并列出了数据来源。在此基础上，我们概括了动态网络建模中潜在变量存在的几个开放性问题和挑战。

Nov, 2017

本文提出了一种基于潜在空间模型的道路网络（LSM-RN）用于解决实时交通预测的问题，该模型能够学习路网快照的属性，并根据时间依赖性进行实时交通预测，通过与大量真实交通传感器数据的实验比较也展示了其优越性。

Feb, 2016

本文提出一种新的层级变分 GRNN 模型，引入额外的潜在随机变量来联合建模动态图的隐藏状态。使用半隐式变分推理开发此新 VGRNN 架构（SI-VGRNN）并在多个真实世界的动态图数据集上进行实验，结果表明 SI-VGRNN 和 VGRNN 在动态链接预测中连续优于现有基线和最先进的方法。

Aug, 2019

对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为 Latent Dynamics Network 的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

Apr, 2023

本文提出了一种基于层次贝叶斯模型的潜在变量模型，能更好地提取社交和生物学网络数据的结构关系并预测，相比只有一个层级的模型，本模型在预测性能上有显著的改进。

Jun, 2012

该论文介绍了一种高度可扩展的概率框架，利用神经变分推理构建条件推理网络，针对知识图谱中实体和关系类型的符号表示提供变分分布。通过该框架构建了两个模型，即 Latent Information 和 Latent Fact 模型，这些模型在特定条件下改进了基线性能。

Jun, 2019

本文提出了一种基于模型的方法来分析动态时间变化的网络中的演员，即动态层析。与其他网络推断技术不同，我们的方法将每个演员的角色建模为一个时间演化的混合成员向量，以更贴近现实。我们应用该模型分析了僧侣之间的社交网络，Enron 员工之间的动态电子邮件通信网络和果蝇在其完整生命周期期间重新布线的基因相互作用网络，揭示了演员动态角色的有趣模式。

Dec, 2008