在现实世界中,大多数系统的功能可以被描述的时间波动的单一成分的集合。这使得他们的“活动”为代表的时间序列,从而导致的定义特征的自组织模式只能采用多元时间序列分析显示。著名的例子是由神经和金融系统提供大脑神经与血管的神经生理学信号以及股票价格波动见证。

常用的分析方法规定,首先,cross-correlating系列,然后,应用一个阈值关联感兴趣的网络系统。不幸的是,这种方法已经被证明是令人不满意的几个方面,从而留下一个悬而未决的问题:什么是最好的策略,挖掘出这样的系统的基本信息吗?

回答这个紧迫的问题将是第一步的解决一个更具挑战性的问题:识别集群的单位具有显著相关的活动。反过来,这不仅有助于阐明机制推动系统演化的特点是高度重要的动态自组织的模式,随着神经和金融的人。

关注这两种系统的选择是由主题投资组合风险最小化的重要性,大脑模块检测,等获得了近年来,让研究人员获得前所未有的大量的数据。

这个特殊问题的目的是收集贡献提出新颖的技术分析系统由多个时间序列描述大脑功能和结构数据,股票价格和股票市场指数,和银行间和贸易网络。

潜在的主题包括但不限于以下:

• 零模型时间序列的分析和关联矩阵
• 降噪和过滤技术关联矩阵
• Correlation-based社区检测算法
• 相关矩阵之间的映射技术和网络
• 时间序列之间的映射技术和网络
• 网络过滤技术
• 股票市场走势的前身的识别
• 预警信号检测的金融和经济的关键事件
• Testing-causality技术在脑功能的数据
• 逆问题的统计方法在大脑功能和结构数据