这篇论文提出了一种名为FATE（Financial Affinity-based Diffusion Transition Embedding）的新型金融时间序列可视化算法，通过结合定制化的距离度量和基于扩散映射的降维技术，有效解决了传统方法在金融数据可视化中面临的噪声干扰和结构模糊问题。该算法允许采用相关性距离、传递函数信息距离和时间滞后Hellinger距离等多种度量方式，并通过扩散步骤和f-散度优化增强了数据结构的鲁棒性。实验表明，FATE不仅能清晰区分股票市场中的行业板块结构，还能准确识别合成ARMA时间序列中相近模型的细微差异，特别是在使用传递函数信息距离时表现最优。研究强调了距离度量选择对揭示数据结构的关键作用，为金融时间序列分析提供了更强大的可视化工具。