論文の概要: Generating fine-grained surrogate temporal networks

• arxiv url: http://arxiv.org/abs/2205.08820v2
• Date: Tue, 22 Aug 2023 17:35:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 21:30:12.550634
• Title: Generating fine-grained surrogate temporal networks
• Title（参考訳）: 微粒な代理時間ネットワークの生成
• Authors: Antonio Longa, Giulia Cencetti, Sune Lehmann, Andrea Passerini and Bruno Lepri
• Abstract要約: 代理時間ネットワークを生成するための新しい簡易な手法を提案する。 本手法は、入力ネットワークを時間とともに進化する星状構造に分解する。 次に、これらの構造をビルディングブロックとして使用して、代理時間ネットワークを生成する。
• 参考スコア（独自算出の注目度）: 12.7211231166069
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Temporal networks are essential for modeling and understanding systems whose behavior varies in time, from social interactions to biological systems. Often, however, real-world data are prohibitively expensive to collect in a large scale or unshareable due to privacy concerns. A promising way to bypass the problem consists in generating arbitrarily large and anonymized synthetic graphs with the properties of real-world networks, namely `surrogate networks'. Until now, the generation of realistic surrogate temporal networks has remained an open problem, due to the difficulty of capturing both the temporal and topological properties of the input network, as well as their correlations, in a scalable model. Here, we propose a novel and simple method for generating surrogate temporal networks. Our method decomposes the input network into star-like structures evolving in time. Then those structures are used as building blocks to generate a surrogate temporal network. Our model vastly outperforms current methods across multiple examples of temporal networks in terms of both topological and dynamical similarity. We further show that beyond generating realistic interaction patterns, our method is able to capture intrinsic temporal periodicity of temporal networks, all with an execution time lower than competing methods by multiple orders of magnitude. The simplicity of our algorithm makes it easily interpretable, extendable and algorithmically scalable.
• Abstract（参考訳）: 時間ネットワークは、社会的相互作用から生物学的システムまで、行動が時間によって変化するシステムのモデリングと理解に不可欠である。 しかし、多くの場合、現実世界のデータは、大規模な収集や、プライバシー上の懸念のために共有できないほど高価である。 この問題を回避するための有望な方法は、実世界のネットワークの特性を持つ任意に大規模で匿名化された合成グラフ、すなわち「サーロゲートネットワーク」を生成することである。 これまで、入力ネットワークの時間的特性と位相的特性、およびそれらの相関をスケーラブルなモデルで捉えることが困難であったため、現実的な代理時間ネットワークの生成は未解決の問題のままであった。 本稿では,新しい簡易な時間的ネットワーク生成法を提案する。 本手法は、入力ネットワークを時間とともに進化する星状構造に分解する。 次に、これらの構造をビルディングブロックとして、代理時間ネットワークを生成する。 我々のモデルは、位相的および動的に類似性の観点から、複数の時間的ネットワークの例で現在の手法を大きく上回っている。 さらに,本手法は,現実的な相互作用パターンを生成するだけでなく,時間的ネットワークの固有時間周期性を,競合する手法よりも桁違いに低い時間で捉えることができることを示す。 アルゴリズムの単純さにより、容易に解釈でき、拡張可能で、アルゴリズム的にスケーラブルです。

関連論文リスト

• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Semantic Loss Functions for Neuro-Symbolic Structured Prediction [74.18322585177832]
  このような構造に関する知識を象徴的に定義した意味的損失をトレーニングに注入する。 記号の配置に非依存であり、それによって表現される意味論にのみ依存する。 識別型ニューラルモデルと生成型ニューラルモデルの両方と組み合わせることができる。
  論文  参考訳（メタデータ） (2024-05-12T22:18:25Z)
• 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)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• DyCSC: Modeling the Evolutionary Process of Dynamic Networks Based on Cluster Structure [1.005130974691351]
  動的クラスタ構造制約モデル(DyCSC)と呼ばれる新しい時間ネットワーク埋め込み手法を提案する。 DyCSCは、ネットワーク内のノードの傾向に時間的制約を課すことで、時間的ネットワークの進化を捉えている。 複数の時間リンク予測タスクにおいて、競合する手法をかなりのマージンで一貫して上回る。
  論文  参考訳（メタデータ） (2022-10-23T10:23:08Z)
• 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 Network Embedding via Tensor Factorization [13.490625417640658]
  時間ネットワークの埋め込みは、グラフ構造化情報と時間進化パターンの両方を符号化する必要がある。 時間的に進化するネットワーク表現の学習における既存のアプローチは、時間的相互依存を捉えることができない。 本稿ではテンソル分解に基づく時間的ネットワーク表現学習のための新しいアプローチであるToffeeを提案する。
  論文  参考訳（メタデータ） (2021-08-22T20:50:38Z)
• PRESTO: Simple and Scalable Sampling Techniques for the Rigorous Approximation of Temporal Motif Counts [7.025709586759655]
  時間的モチーフのカウントの厳密な近似を得るために,効率的かつスケーラブルなアルゴリズムを提案する。 私たちのアルゴリズムは、シンプルで効果的なサンプリングアプローチに基づいており、非常に大規模なデータセットに実用的です。
  論文  参考訳（メタデータ） (2021-01-18T16:35:12Z)
• Inductive Representation Learning in Temporal Networks via Causal Anonymous Walks [51.79552974355547]
  テンポラルネットワークは多くの現実世界の動的システムの抽象化として機能する。 時間的ネットワークを誘導的に表現するCausal Anonymous Walks(CAW)を提案する。 CAWは時間的ランダムウォークによって抽出され、時間的ネットワークモチーフの自動検索として機能する。
  論文  参考訳（メタデータ） (2021-01-15T05:47:26Z)
• 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)

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。