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

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

本文提出了一种新的非参数贝叶斯多成员潜在特征模型，用来分析复杂网络中的潜在结构，并展示了其在提高潜在结构学习和压缩表示方面的优势。

Jan, 2011

本文提出一种基于概率模型的算法，用于动态关系数据学习，利用伯努利泊松链接函数对网络节点的观测交互进行建模，并用假设为伽马分布的非负潜在节点组成员资格描述底层网络结构，而潜在成员组则根据马尔可夫过程演化。方法的最优成员组数可以由数据本身决定，其计算复杂度随着非零链接数量的增加而增加，适用于大规模稀疏动态关系数据，本文的批处理和在线 Gibbs 采样算法用于模型推断，最后我们将模型的性能与一流方法相比，应用于合成和实际世界的数据集上。

May, 2018

提出了一种非参数的动态网络多组成员模型，通过距离依赖的印度 Buffet 过程对单独组的诞生和死亡进行建模，通过因子隐马尔科夫模型对个体节点组成员身份的演变进行捕捉，通过显式建模组的连接结构来解释网络结构的动态性。该模型通过在各种不同类型的网络数据中识别潜在组的动态性，证明了其在未来网络预测和丢失链路预测上提供了更好的预测性能。

Nov, 2013

本文提出一种概率模型，通过结合相互激励点过程与随机图模型来分析无法直接测量的潜在网络，利用 Poisson 重叠原理实现了优雅的辅助变量公式和完全的贝叶斯并行推理算法，并在多个数据集上进行了实证评估。

Feb, 2014