在金融、生物学和社会学的许多应用中,许多重要问题都可以建模为一个相互关联的复杂的实体系统,其中每个实体都记录着与时间相关的观察值或测量数据。为了发现趋势、检测异常并解释此类数据的即时动态,必须理解不同实体之间的关系以及这些关系是如何随时间进行演变的。这些过程通常具有节点(即实体数量)多且随时间演化的特性,它们影响着系统,但在以往的研究中没能被快速有效地度量。本文提出了一种新的可伸缩的动态学习方法(innovated scalable dynamic learning,简称ISDL)来估计时变图模型。在创新变换下启发下,我们将原问题转化为高维协方差矩阵估计问题,并利用核函数对初始数据矩阵进行处理,同时采用了 scaled Lasso算法实现。因此,ISDL算法是可伸缩的,可以通过简单的参数挑选办法处理高维的精度矩阵。此外,我们还证明了在温和的正则性条件下,我们的方法于对于每个精确矩阵估计的精度都有严格的理论保证。模拟实验和实证分析也证明了新的方法和结果。