고차원 노드 관측값으로부터 시간에 따라 변하는 그래프 구조를 추론하는 것은 신경과학 (neuroscience), 금융 (finance), 기후학 (climatology) 및 그 이상의 분야에서 발생하는 근본적인 문제입니다. 이 문제에는 두 가지 본질적인 과제가 따릅니다. 하나는 연속적인 관측 창(observation windows)에 걸쳐 잠재 그래프의 extit{시간적 일관성 (temporal coherence)}을 유지하는 것이며, 다른 하나는 정밀도 행렬 (precision matrices)이 자연스럽게 존재하는 대칭 양의 정치 (symmetric positive definite) 매니폴드의 extit{고유한 리만 기하학 (intrinsic Riemannian geometry)}을 준수하는 것입니다. 이 매니폴드는 그 측지 구조 (geodesic structure)가 주변의 유클리드 공간 (Euclidean space)과 근본적으로 다른 곡면 공간입니다. 본 논문에서는 이 두 가지 과제를 공동으로 해결하는 새로운 알고리즘인 요인 모델을 이용한 Grassmann 매니폴드 상의 동적 추정 ( extsc{Degfm})을 제안합니다. 우리는 시간에 따라 변하는 정밀도 행렬 시퀀스를 잠재 타원 그래프 요인 모델 (latent elliptical graph factor model)에 의해 제어되는 저계수-플러스-대각 (low-rank-plus-diagonal) 구조로 모델링하며, 이는 유효 파라미터 수를 획기적으로 줄여 까다로운 소표본 영역 (small-sample regime)에서도 신뢰할 수 있는 추정을 가능하게 합니다. 시간적 일관성은 Grassmann 매니폴드 상에 정의된 리만 측지 페널티 (Riemannian geodesic penalty)를 통해 강제되며, 이를 통해 추정된 그래프 궤적이 주변 유클리드 공간이 아닌 고유 기하학에 대해 매끄럽게 유지되도록 보장합니다. LRaD 제약 조건 하에 Grassmann 매니폴드 값을 갖는 시퀀스에 대한 비볼록 최적화 (non-convex optimization) 문제를 해결하기 위해, 우리는 모든 반복 단계에서 매니폴드 구조를 준수하는 효율적인 리만 경사 하강법 (Riemannian gradient descent) 알고리즘을 도출하고, 이것이 정지점 (stationary point)으로 수렴함을 엄격하게 입증합니다. 합성 벤치마크와 실제 데이터셋 모두에 대한 광범위한 실험을 통해 extsc{Degfm}이 모든 평가 지표에서 최신 베이스라인 (state-of-the-art baselines)을 일관되게 능가함을 보여주며, 제안된 프레임워크의 실질적인 효과를 확인합니다.