論文の概要: SimHawNet: A Modified Hawkes Process for Temporal Network Simulation
- arxiv url: http://arxiv.org/abs/2203.07260v3
- Date: Thu, 16 Jan 2025 13:40:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-17 18:31:27.483880
- Title: SimHawNet: A Modified Hawkes Process for Temporal Network Simulation
- Title（参考訳）: SimHawNet: 時間ネットワークシミュレーションのための修正されたホークスプロセス
- Authors: Mathilde Perez, Raphaël Romero, Bo Kang, Tijl De Bie, Jefrey Lijffijt, Charlotte Laclau,
- Abstract要約: 本稿では、連続時間時間ネットワークの生成モデルのための新しいフレームワークを提案する。
SimHawNetは、時系列ネットワークの連続的な進化のシミュレーションを可能にする。
- 参考スコア（独自算出の注目度）: 12.403827785443928
- License:
- Abstract: Temporal networks allow representing connections between objects while incorporating the temporal dimension. While static network models can capture unchanging topological regularities, they often fail to model the effects associated with the causal generative process of the network that occurs in time. Hence, exploiting the temporal aspect of networks has been the focus of many recent studies. In this context, we propose a new framework for generative models of continuous-time temporal networks. We assume that the activation of the edges in a temporal network is driven by a specified temporal point process. This approach allows to directly model the waiting time between events while incorporating time-varying history-based features as covariates in the predictions. Coupled with a thinning algorithm designed for the simulation of point processes, SimHawNet enables simulation of the evolution of temporal networks in continuous time. Finally, we introduce a comprehensive evaluation framework to assess the performance of such an approach, in which we demonstrate that SimHawNet successfully simulates the evolution of networks with very different generative processes and achieves performance comparable to the state of the art, while being significantly faster.
- Abstract（参考訳）: 時間的ネットワークは、時間的次元を取り入れながらオブジェクト間の接続を表現することができる。
静的ネットワークモデルは変化しないトポロジカルな規則性を捉えることができるが、時間内に発生するネットワークの因果生成過程に関連する効果をモデル化することができないことが多い。
したがって、ネットワークの時間的側面を活用することが、近年の多くの研究の焦点となっている。
本稿では,連続時間時間ネットワークの生成モデルのための新しいフレームワークを提案する。
時間的ネットワークにおけるエッジの活性化は、指定された時間的ポイントプロセスによって駆動されると仮定する。
このアプローチは、予測に共変量として時間変化履歴ベースの特徴を取り入れながら、イベント間の待ち時間を直接モデル化することができる。
SimHawNetは、点過程のシミュレーション用に設計されたシンニングアルゴリズムと組み合わせて、時間的ネットワークの連続的な進化のシミュレーションを可能にする。
最後に,SimHawNetが全く異なる生成プロセスでネットワークの進化をシミュレートし,最先端技術に匹敵する性能を実現し,性能を著しく向上することを示す。
関連論文リスト
- Continuous-time Graph Representation with Sequential Survival Process [0.17265013728931003]
本稿では,リンクの継続時間と不在期間をモデル化するために,生存関数に依存するプロセスを提案する。
GraSSP: Graph Representation with Sequential Survival Processは、断続的なエッジパーシスタントネットワークを明示的に考慮した、汎用的な新しいモデルを形成する。
我々は、リンク予測やネットワーク補完など、様々な下流タスクにおいて開発されたフレームワークを定量的に評価する。
論文 参考訳（メタデータ） (2023-12-20T14:46:54Z) - An Adaptive Framework for Generalizing Network Traffic Prediction
towards Uncertain Environments [51.99765487172328]
我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。
我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
論文 参考訳（メタデータ） (2023-11-30T18:58:38Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - A Generic Approach to Integrating Time into Spatial-Temporal Forecasting
via Conditional Neural Fields [1.7661845949769062]
本稿では,時間成分を予測モデルに統合する一般的な手法を提案する。
主要なアイデアは、時間成分から抽出された補助的特徴を表現するために条件付きニューラルネットワークを使用することである。
道路交通とセルラーネットワーク交通データセットの実験は,提案手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-05-11T14:20:23Z) - Direct Embedding of Temporal Network Edges via Time-Decayed Line Graphs [51.51417735550026]
時間的ネットワーク上での機械学習の方法は、一般的に2つの制限のうちの少なくとも1つを示す。
ネットワークのライングラフは,各インタラクションのノードを含むもので,インタラクション間の時間差に基づいて,このグラフのエッジを重み付けする。
実世界のネットワークにおける実験結果から,エッジ分類と時間リンク予測の両方において,本手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2022-09-30T18:24:13Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
時系列データは、気候、経済、医療などいくつかの領域で広く使われている。
最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。
ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
論文 参考訳（メタデータ） (2021-10-11T13:46:28Z) - Probabilistic Time Series Forecasting with Implicit Quantile Networks [0.7249731529275341]
自己回帰的リカレントニューラルネットワークとインプリシット量子ネットワークを併用して、時系列ターゲット上の大規模な分布を学習する。
提案手法は, 時間分布の推定だけでなく, ポイントワイズ予測精度の観点からも好適である。
論文 参考訳（メタデータ） (2021-07-08T10:37:24Z) - EPNE: Evolutionary Pattern Preserving Network Embedding [26.06068388979255]
本研究では,ノードの局所構造の進化パターンを保存するための時間ネットワーク埋め込みモデルEPNEを提案する。
時間情報の適切なモデリングにより,本モデルは様々な予測タスクにおいて,他の競合手法よりも優れている。
論文 参考訳（メタデータ） (2020-09-24T06:31:14Z) - TempNodeEmb:Temporal Node Embedding considering temporal edge influence
matrix [0.8941624592392746]
時間的ネットワークにおけるノード間の将来のリンクを予測することは、時間的ネットワークの進化の重要な側面を明らかにする。
いくつかのアプローチは、時間ネットワークの単純化された表現を、高次元で一般にスパース行列で考える。
本稿では, 単純な3層グラフニューラルネットワークを各ステップで考慮し, ネットワークの進化特性を利用した新しいノード埋め込み手法を提案する。
論文 参考訳（メタデータ） (2020-08-16T15:39:07Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z)
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。