我々は動的ネットワークに対する新しいモデル選択手法を提案する。本手法は、大規模な合成ネットワークデータ上で分類器を学習することに基づいている。これらの合成データは、動的ネットワークにおける最先端の9種類のランダムグラフモデルをシミュレーションすることで生成され、ネットワークサイズが時間とともに指数関数的に増大するようにパラメータの範囲が設定されている。本研究では、特定の時間区間内に頂点群が受信する新規リンク数を計測する概念的に新しいタイプの動的特徴量を設計した。この特徴量は計算が容易であり、解析的に取り扱いやすく、解釈性も高い。提案手法は合成ネットワークの分類においてほぼ完璧な性能を達成し、既存の最先端技術を大幅に上回っている。さらに、本手法を現実世界の引用ネットワークに適用した結果、優先的接続（preferential attachment）、適合度（fitness）、老化（aging）を考慮したモデルが現実の引用ネットワークに最も適しているという従来の文献の主張に裏付けを与える結果が得られた。ただし、場合によっては予測された最適モデルには頂点の適合度が含まれないこともあった。