論文の概要: Artificial Intelligence for Complex Network: Potential, Methodology and
Application
- arxiv url: http://arxiv.org/abs/2402.16887v1
- Date: Fri, 23 Feb 2024 09:06:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 19:22:01.389465
- Title: Artificial Intelligence for Complex Network: Potential, Methodology and
Application
- Title(参考訳): 複雑ネットワークのための人工知能:可能性,方法論,応用
- Authors: Jingtao Ding, Chang Liu, Yu Zheng, Yunke Zhang, Zihan Yu, Ruikun Li,
Hongyi Chen, Jinghua Piao, Huandong Wang, Jiazhen Liu and Yong Li
- Abstract要約: 複雑なネットワーク科学は、実際のネットワークの基盤となる統計力学、構造、力学の理解を大幅に強化した。
人工知能(AI)技術の出現は、複雑なネットワーク科学研究の新しい時代を告げている。
この調査は、複雑なネットワーク研究の難題を克服する上で、AIの潜在的な利点を体系的に解決することを目的としている。
- 参考スコア(独自算出の注目度): 23.710627896950438
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex networks pervade various real-world systems, from the natural
environment to human societies. The essence of these networks is in their
ability to transition and evolve from microscopic disorder-where network
topology and node dynamics intertwine-to a macroscopic order characterized by
certain collective behaviors. Over the past two decades, complex network
science has significantly enhanced our understanding of the statistical
mechanics, structures, and dynamics underlying real-world networks. Despite
these advancements, there remain considerable challenges in exploring more
realistic systems and enhancing practical applications. The emergence of
artificial intelligence (AI) technologies, coupled with the abundance of
diverse real-world network data, has heralded a new era in complex network
science research. This survey aims to systematically address the potential
advantages of AI in overcoming the lingering challenges of complex network
research. It endeavors to summarize the pivotal research problems and provide
an exhaustive review of the corresponding methodologies and applications.
Through this comprehensive survey-the first of its kind on AI for complex
networks-we expect to provide valuable insights that will drive further
research and advancement in this interdisciplinary field.
- Abstract(参考訳): 複雑なネットワークは、自然環境から人間社会まで、様々な現実世界のシステムに及んでいる。
これらのネットワークの本質は、微視的障害のあるネットワークトポロジーとノードダイナミクスを介し、特定の集合的な振る舞いを特徴とするマクロな順序に移行し、進化する能力にある。
過去20年間で、複雑なネットワーク科学は、実世界のネットワークを支える統計力学、構造、力学の理解を著しく強化してきた。
これらの進歩にもかかわらず、より現実的なシステムを探究し、実践的な応用を強化する上で大きな課題が残っている。
人工知能(AI)技術の出現は、多様な現実世界のネットワークデータと相まって、複雑なネットワーク科学研究の新しい時代を告げている。
この調査は、複雑なネットワーク研究の難題を克服する上で、AIの潜在的な利点を体系的に解決することを目的としている。
重要な研究問題を要約し、対応する方法論と応用の徹底的なレビューを提供する。
複雑なネットワークのためのAIに関するこの包括的な調査を通じて、私たちは、この学際分野におけるさらなる研究と進歩を促進する貴重な洞察を提供することを期待しています。
関連論文リスト
- Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
可塑性の喪失は複数の独立したメカニズムに分解できることを示す。
種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
論文 参考訳(メタデータ) (2024-02-29T00:02:33Z) - Causal Reasoning: Charting a Revolutionary Course for Next-Generation
AI-Native Wireless Networks [63.246437631458356]
次世代無線ネットワーク(例:6G)は人工知能(AI)ネイティブである。
本稿では、新たな因果推論分野を基盤として、AIネイティブな無線ネットワークを構築するための新しいフレームワークを紹介する。
因果発見と表現によって対処できる無線ネットワークの課題をいくつか挙げる。
論文 参考訳(メタデータ) (2023-09-23T00:05:39Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - Synergistic information supports modality integration and flexible
learning in neural networks solving multiple tasks [107.8565143456161]
本稿では,様々な認知タスクを行う単純な人工ニューラルネットワークが採用する情報処理戦略について検討する。
結果は、ニューラルネットワークが複数の多様なタスクを学習するにつれて、シナジーが増加することを示している。
トレーニング中に無作為にニューロンを停止させると、ネットワークの冗長性が増加し、ロバスト性の増加に対応する。
論文 参考訳(メタデータ) (2022-10-06T15:36:27Z) - Automating Ambiguity: Challenges and Pitfalls of Artificial Intelligence [0.0]
この論文は、科学と倫理の課題、落とし穴、AIの問題を調査するために、明らかに異なる分野の探求を織り交ぜている。
これらのシステムの様々な課題、問題、落とし穴は、批判的データ/アルゴリズム研究、科学と技術研究(STS)、具体化され活発な認知科学、複雑性科学、アフロフェミニズム、そして広く解釈された公正、説明責任、透明性の分野(FAccT)など、様々な分野の研究のホットトピックである。
論文 参考訳(メタデータ) (2022-06-08T22:05:07Z) - From Cities to Series: Complex Networks and Deep Learning for Improved
Spatial and Temporal Analytics* [0.0]
この論文は複雑なネットワークと機械学習技術を組み合わせて、パンデミック、垂直移動、およびストリートネットワークで観察される人間の現象の理解を改善する。
i) 集中治療室における流行の伝播, 天気予報, 患者モニタリングの応用により, 空間的および時間的データで観測される動的なプロセスをモデル化できる新しいニューラルネットワークアーキテクチャ, (ii) ブラジルのすべての都市間における人間の移動性の範囲におけるリンクを分析し予測するための機械学習手法を貢献する。
論文 参考訳(メタデータ) (2022-06-01T11:04:11Z) - Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。
フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。
我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
論文 参考訳(メタデータ) (2022-02-28T05:27:22Z) - Collective Intelligence for Deep Learning: A Survey of Recent
Developments [11.247894240593691]
我々は、複雑なシステムへのニューラルネットワーク研究の関与に関する歴史的文脈を提供する。
我々は,集合知の原理を取り入れた,現代のディープラーニング研究の活発な領域をいくつか取り上げる。
論文 参考訳(メタデータ) (2021-11-29T08:39:32Z) - Towards Understanding Theoretical Advantages of Complex-Reaction
Networks [77.34726150561087]
パラメータ数を用いて,関数のクラスを複素反応ネットワークで近似できることを示す。
経験的リスク最小化については,複素反応ネットワークの臨界点集合が実数値ネットワークの固有部分集合であることを示す。
論文 参考訳(メタデータ) (2021-08-15T10:13:49Z) - The Confluence of Networks, Games and Learning [26.435697087036218]
新興ネットワークアプリケーションは、分散ネットワークインテリジェンスを作成するためのゲーム理論モデルと学習に基づくアプローチを要求する。
本稿では,ネットワーク,ゲーム,学習の相違を具体化し,ネットワーク上でのマルチエージェント意思決定を理解するための理論的基盤を確立する。
論文 参考訳(メタデータ) (2021-05-17T20:54:07Z) - Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。
これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。
以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
論文 参考訳(メタデータ) (2021-02-22T17:33:51Z)
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。