論文の概要: Inferring the Graph of Networked Dynamical Systems under Partial
Observability and Spatially Colored Noise
- arxiv url: http://arxiv.org/abs/2312.11324v1
- Date: Mon, 18 Dec 2023 16:19:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 19:32:53.671278
- Title: Inferring the Graph of Networked Dynamical Systems under Partial
Observability and Spatially Colored Noise
- Title（参考訳）: 部分可観測性と空間色雑音下におけるネットワーク力学系のグラフ推定
- Authors: Augusto Santos, Diogo Rente, Rui Seabra, Jos\'e M. F. Moura
- Abstract要約: ネットワーク動的システム(Networked Dynamical System, NDS)では、各ノードが近隣ノードのダイナミクスと結合されたシステムである。
基盤となるネットワークは多くのアプリケーションで未知であり、観測データから推測されるべきである。
- 参考スコア（独自算出の注目度）: 2.362288417229025
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In a Networked Dynamical System (NDS), each node is a system whose dynamics
are coupled with the dynamics of neighboring nodes. The global dynamics
naturally builds on this network of couplings and it is often excited by a
noise input with nontrivial structure. The underlying network is unknown in
many applications and should be inferred from observed data. We assume: i)
Partial observability -- time series data is only available over a subset of
the nodes; ii) Input noise -- it is correlated across distinct nodes while
temporally independent, i.e., it is spatially colored. We present a feasibility
condition on the noise correlation structure wherein there exists a consistent
network inference estimator to recover the underlying fundamental dependencies
among the observed nodes. Further, we describe a structure identification
algorithm that exhibits competitive performance across distinct regimes of
network connectivity, observability, and noise correlation.
- Abstract（参考訳）: ネットワーク動的システム(Networked Dynamical System, NDS)では、各ノードが近隣ノードのダイナミクスと結合されたシステムである。
グローバルダイナミクスは自然にこの結合ネットワーク上に構築され、しばしば非自明な構造を持つノイズ入力によって励起される。
基盤となるネットワークは多くのアプリケーションで未知であり、観測データから推測されるべきである。
と仮定する。
i) 部分可観測性 -- 時系列データは,ノードのサブセット上でのみ利用可能である。
ii)入力ノイズ -- 異なるノード間で相関する一方で、時間的に独立している、すなわち空間的に色付けされている。
観測ノード間の基礎的依存関係を復元する一貫したネットワーク推定器が存在するという,ノイズ相関構造に対する実現可能性条件を提案する。
さらに,ネットワーク接続性,可観測性,ノイズ相関の異なる領域における競合性能を示す構造同定アルゴリズムについて述べる。
関連論文リスト
- Learning the Causal Structure of Networked Dynamical Systems under
Latent Nodes and Structured Noise [2.362288417229025]
本稿では,そのノードの時系列データから線形ネットワーク力学系(NDS)の隠れ因果ネットワークを学習する。
NDSのダイナミクスは、一対のノード間で急激な関連を生み出す色付きノイズによって駆動され、問題をはるかに困難にしている。
ノイズ相関と部分観測可能性の課題に対処するため,観測ノードの時系列データから計算した特徴ベクトルを各ノードに割り当てる。
論文 参考訳（メタデータ） (2023-12-10T19:21:33Z) - 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) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - 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) - Uncovering the Origins of Instability in Dynamical Systems: How
Attention Mechanism Can Help? [0.0]
ネットワーク内の不均衡構造と極性駆動構造不安定性の集合的挙動に注意を向けるべきである。
本研究は,ネットワークのノードの摂動がネットワーク力学に劇的な変化をもたらす理由を理解するための概念実証である。
論文 参考訳（メタデータ） (2022-12-19T17:16:41Z) - Recovering the Graph Underlying Networked Dynamical Systems under
Partial Observability: A Deep Learning Approach [7.209528581296429]
時系列間の依存グラフを復元するグラフ構造同定の問題について検討する。
観測時系列から計算した特徴ベクトルを考案し,これらの特徴が線形分離可能であることを示す。
私たちはこれらの機能を使って畳み込みニューラルネットワーク(CNN)を訓練します。
論文 参考訳（メタデータ） (2022-08-08T20:32:28Z) - Bayesian Inference of Stochastic Dynamical Networks [0.0]
本稿では,ネットワークトポロジと内部ダイナミクスを学習するための新しい手法を提案する。
グループスパースベイズ学習(GSBL)、BINGO、カーネルベースの方法、dynGENIE3、genIE3、ARNIと比較される。
本手法は,グループスパースベイズ学習 (GSBL), BINGO, kernel-based method, dynGENIE3, GENIE3, ARNI と比較して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-06-02T03:22:34Z) - Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural
Networks [68.9026534589483]
RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。
RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
論文 参考訳（メタデータ） (2021-04-16T04:30:06Z) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-11-19T04:18:01Z) - Graph Neural Networks with Composite Kernels [60.81504431653264]
カーネル重み付けの観点からノード集約を再解釈する。
本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。
特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
論文 参考訳（メタデータ） (2020-05-16T04:44:29Z) - Feature-Attention Graph Convolutional Networks for Noise Resilient
Learning [20.059242373860013]
本稿では,ノイズの多いノード内容のネットワークを扱うための特徴注意グラフ畳み込み学習フレームワークであるFA-GCNを提案する。
実験と検証、すなわち異なるノイズレベルは、FA-GCNがノイズのないネットワークとノイズのないネットワークの両方で最先端の手法よりも優れた性能を発揮することを示した。
論文 参考訳（メタデータ） (2019-12-26T02:51:55Z)
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。