論文の概要: Measuring dynamical systems on directed hyper-graphs
- arxiv url: http://arxiv.org/abs/2202.12810v3
- Date: Tue, 6 Sep 2022 09:53:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 15:14:38.702780
- Title: Measuring dynamical systems on directed hyper-graphs
- Title(参考訳): 有向超グラフ上の力学系の測定
- Authors: Mauro Faccin
- Abstract要約: 我々は、有向ハイパーグラフの構造と、その上に定義されたランダムウォークである線形力学系との間の相互作用を解析する。
遷移行列のような一対構造に既知の測度を適用し、そのような手順に順応可能な測度群を決定する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Networks and graphs provide a simple but effective model to a vast set of
systems which building blocks interact throughout pairwise interactions.
Unfortunately, such models fail to describe all those systems which building
blocks interact at a higher order. Higher order graphs provide us the right
tools for the task, but introduce a higher computing complexity due to the
interaction order. In this paper we analyze the interplay between the structure
of a directed hypergraph and a linear dynamical system, a random walk, defined
on it. How can one extend network measures, such as centrality or modularity,
to this framework? Instead of redefining network measures through the
hypergraph framework, with the consequent complexity boost, we will measure the
dynamical system associated to it. This approach let us apply known measures to
pairwise structures, such as the transition matrix, and determine a family of
measures that are amenable of such procedure.
- Abstract(参考訳): ネットワークとグラフは、ブロックがペアで相互作用する多数のシステムに対して、シンプルで効果的なモデルを提供します。
残念ながら、そのようなモデルはブロックが高次に相互作用する全てのシステムを記述することができない。
高次グラフはタスクに適したツールを提供するが、相互作用の順序によって計算の複雑さが増す。
本稿では,向き付きハイパーグラフの構造と線形力学系であるランダムウォークとの相互作用について解析する。
集中性やモジュール性といったネットワーク計測を,このフレームワークにどのように拡張できるのでしょう?
ハイパーグラフフレームワークを通じてネットワーク測度を再定義する代わりに、それに伴う複雑性の向上により、それに関連する力学系を測定する。
このアプローチにより、遷移行列のような一対構造に既知の測度を適用し、そのような手順に順応可能な測度群を決定する。
関連論文リスト
- Discovering Message Passing Hierarchies for Mesh-Based Physics Simulation [61.89682310797067]
DHMPを導入し,異なるノード選択手法を用いてメッセージパッシングネットワークの動的階層を学習する。
本実験はDHMPの有効性を実証し,近年の固定階層型メッセージパッシングネットワークと比較して平均22.7%改善した。
論文 参考訳(メタデータ) (2024-10-03T15:18:00Z) - Topological Deep Learning with State-Space Models: A Mamba Approach for Simplicial Complexes [4.787059527893628]
本稿では,Mamba状態空間モデルをバックボーンとして利用して,単純な複素数を扱うように設計された新しいアーキテクチャを提案する。
提案手法は, 隣接セルをベースとしたノードのシーケンスを生成し, ランクに関わらず, 上位構造間の直接通信を可能にする。
論文 参考訳(メタデータ) (2024-09-18T14:49:25Z) - Learning the effective order of a hypergraph dynamical system [4.530678016396476]
本稿では,対応するダイナミクスを正確に近似するために必要なハイパーグラフの最小順序を決定する手法を提案する。
具体的には,力学のタイプが分かっていれば,この順序を決定できる分析フレームワークを開発する。
我々は、これらのアイデアをハイパーグラフニューラルネットワークと組み合わせて、合成データセットと実データの両方から、ハイパーグラフ自体と結果の順序を直接学習する。
論文 参考訳(メタデータ) (2023-06-02T09:04:45Z) - Non-Separable Multi-Dimensional Network Flows for Visual Computing [62.50191141358778]
本研究では,非分離型多次元ネットワークフローに対する新しい定式化法を提案する。
フローは次元ごとに定義されるので、最大化フローは自動的に最適な特徴次元を選択する。
概念実証として,マルチオブジェクト追跡問題にフォーマリズムを適用し,ノイズに対するロバスト性の観点からMOT16ベンチマークのスカラー定式化よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-05-15T13:21:44Z) - Bayesian Detection of Mesoscale Structures in Pathway Data on Graphs [0.0]
メソスケール構造は 複雑なシステムの抽象化と解析の 不可欠な部分です
それらは、社会的または引用ネットワークにおけるコミュニティ、企業間相互作用における役割、または輸送ネットワークにおける中核周辺構造におけるコミュニティを表現することができる。
我々は,グループ内のノードの最適分割と高次ネットワークの最適ダイナミクスを同時にモデル化するベイズ的アプローチを導出する。
論文 参考訳(メタデータ) (2023-01-16T12:45:33Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳(メタデータ) (2022-09-20T14:41:37Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳(メタデータ) (2022-06-28T08:11:12Z) - Principled inference of hyperedges and overlapping communities in
hypergraphs [0.0]
本稿では,ハイパーグラフの構造的構造を特徴付けるための統計的推測に基づく枠組みを提案する。
我々は,ハイパーエッジ予測タスクにおいて強い性能を示し,相互作用によってもたらされる情報に順応したコミュニティの検出,ノイズの多いハイパーエッジの追加に対する堅牢性を示した。
論文 参考訳(メタデータ) (2022-04-12T09:13:46Z) - Data-driven Influence Based Clustering of Dynamical Systems [0.0]
コミュニティ検出は科学と工学の様々な分野において困難で関連する問題である。
本稿では,時系列データから動的システムをクラスタリングする手法を提案する。
本稿では、3つの異なる力学系をクラスタリングすることで提案手法の有効性を示す。
論文 参考訳(メタデータ) (2022-04-05T17:26:47Z) - Graph Convolutional Embeddings for Recommender Systems [67.5973695167534]
本研究では,N-Partiteグラフのユーザ-item-contextインタラクションを処理するグラフ畳み込み層を提案する。
より具体的には、ユーザ-item-contextインタラクションを処理するN-partiteグラフのグラフ畳み込み層を定義する。
論文 参考訳(メタデータ) (2021-03-05T10:46:16Z) - Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification [50.83222170524406]
解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
論文 参考訳(メタデータ) (2020-06-29T01:01:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。