基于Kronecker时变图Lasso的张量时间序列可解释动态网络建模
机器学习
2026-02-10 v1 机器学习
摘要
随着网络服务的快速发展，金融、医疗和在线平台等各个领域产生并积累了大量的时间序列数据。由于此类数据通常与多个相互作用的变量共同演化，估计变量之间的时变依赖关系（即动态网络结构）已成为精确建模的关键。然而，现实世界的数据通常表示为具有多种模式的张量时间序列，导致产生庞大、纠缠不清的网络，这些网络难以解释且计算密集。在本文中，我们提出了Kronecker时变图Lasso（KTVGL），一种用于张量时间序列建模的方法。我们的方法以Kronecker积的形式估计特定模式的动态网络，从而避免过于复杂的纠缠结构，并产生可解释的建模结果。此外，分区网络结构防止了计算时间随数据维度呈指数增长。而且，我们的方法可以扩展到流算法，使计算时间与序列长度无关。在合成数据上的实验表明，所提出的方法在需要更少计算时间的同时，实现了比现有方法更高的边估计精度。为了进一步展示其实用价值，我们还使用真实世界的数据进行了案例研究。我们的源代码和数据集可在 https://github.com/Higashiguchi-Shingo/KTVGL 获取。
引用
@article{arxiv.2602.08197,
title = {Interpretable Dynamic Network Modeling of Tensor Time Series via Kronecker Time-Varying Graphical Lasso},
author = {Shingo Higashiguchi and Koki Kawabata and Yasuko Matsubara and Yasushi Sakurai},
journal= {arXiv preprint arXiv:2602.08197},
year = {2026}
}
备注
Accepted at ACM Web Conference 2026 (WWW2026)