本文介绍了一种基于时间可变图拉索（TVGL）的方法，利用交替方向乘子方法（ADMM）以一种高效的方式推断时间可变网络，评估了该算法的性能，并通过实验结果显示该算法优于最先进的基线算法。

Mar, 2017

本研究通过将结构信息整合到在线逼近目标中，采用拉普拉斯正则化项，将状态空间模型理论扩展到时间图，提出了 GraphSSM 框架，用于建模时间图的动态性，实验证明 GraphSSM 在各种时间图基准测试中的有效性。

Jun, 2024

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

本文提出了一种基于关系状态空间模型 (R-SSM) 的序列分层潜变量模型，其利用图神经网络 (GNNs) 模拟多个相关对象的联合状态转移，同时提供了一种灵活的将关系信息纳入到多对象动态建模的方式，并且通过实验在合成和真实时间序列数据集上进行了验证。

Jan, 2020

该论文提出了一种基于图结构状态空间模型的概率推理方法，利用深度学习和高斯马尔可夫随机场的有原则的推理方法，定义简单的空间和时间图层，并通过变分推理从单个时间序列中高效地学习出灵活的时空先验分布，可缩放地采样出闭合的后验。

Jun, 2023

本文提出了一种适用于混合数据的图模型，该模型对高维数据来说简单而灵活，采用回归算法和群体套索惩罚法来拟合模型，并将其应用于 CAL500 音乐注释数据集，成功得到了将音频信号的连续特征与流派、情感和用途等分类变量之间关系的稀疏而可解释的图模型。

Apr, 2013

本文回顾和讨论了一些关于图模型的进展，包括了无向图模型和有向图模型的估计方法，以及处理潜在变量和异构数据源的拓展。

Jun, 2016

本篇论文提出了一种基于双重随机变分推断和高斯过程的可扩展训练算法，用于可靠地训练完全概率状态空间模型中的潜在状态时间相关性， 并在真实世界基准数据集集上评估了所提出的 PR-SSM 的效果与最先进的概率模型学习方法进行了比较

Jan, 2018

本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting（BGSLF），该模型结合了图结构学习和预测，并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡，并在真实世界的四个数据集上进行了广泛的实验，取得了最新的性能表现。

Jan, 2022

本文基于图高斯模型，提出了一个 CSSL 框架和一个简单的学习算法，旨在通过对多个数据集之间常见的交互和依赖关系的识别，找到其不变特征，并在合成数据的数值模拟和汽车传感器异常检测的真实应用中确认其在查找多个数据集中不变依赖结构方面相比现有技术的表现。

Mar, 2012