ネットワークノードの低次元ベクトル表現は、グラフデータに機械学習アルゴリズムの適用を可能とし、多様なタスクにわたって性能を改善することが示されている。しかし、ほとんどの埋め込み技術は、ネットワーク構造およびパターンの高密度低次元符号化を達成することを目的として開発されてきた。ここでは、ネットワーク構造自体ではなく、テンポラルネットワーク上で発生する動的プロセスを低次元特徴ベクトルとして抽出するノード埋込み技術（Dynamics-aware node embedding for temporal networks）を提案し、ノードの状態を予測することを目的とする。テンポラルネットワークのsupra-adjacency representationを用い、ランダムウォークに基づく静的グラフに対する標準埋め込み技法を構築することによってこれを達成した。得られた埋め込みベクトルは、テンポラルネットワーク上の感染症の伝搬におけるノードの状態を予測することに有用であることを示した。このタスクを埋込みベクトル上の教師付きマルチラベル分類タスクとして構成することにより、ランダム時間でのノードの部分サンプリングからシステム全体の時間的進化を推定することが可能になり,感染症動態に潜在的な影響を与えることを示した。