동적 관계 구조는 많은 AI 작업에서 중심적인 역할을 하지만, 그 진화하는 특성은 일관되고 해석 가능한 표현을 위한 도전 과제를 제기합니다. 일반적인 접근 방식은 시간에 따라 변하는 노드 임베딩을 학습하는 것이며, 그 효과는 주요 안정성 조건을 만족하는 데 달려 있습니다. 본 논문에서는 펼쳐진 인접 스펙트럼 임베딩 프레임워크를 정규화된 라플라시안으로 확장하여 교차 섹션 및 종단적 안정성을 모두 유지하는 새로운 방법인 펼쳐진 라플라시안 스펙트럼 임베딩을 제안합니다. 우리 방법이 이러한 안정성 조건을 만족한다는 것을 공식적으로 증명합니다. 또한, 라플라시안 행렬을 사용함으로써 새로운 체거 스타일 부등식을 확립하여 임베딩을 기본 동적 그래프의 전도성과 연결합니다. 합성 및 실제 데이터셋에 대한 실증적 평가가 우리의 이론적 발견을 뒷받침하며, 우리의 방법의 강력한 성능을 보여줍니다. 이러한 결과는 스펙트럼 그래프 이론에 기반하여 동적 네트워크 표현을 위한 원칙적이고 안정적인 프레임워크를 확립합니다.
Ezoe et al. (Mon,)은 이 질문을 연구했습니다.