論文の概要: A Diffusive Data Augmentation Framework for Reconstruction of Complex Network Evolutionary History

• arxiv url: http://arxiv.org/abs/2501.06485v1
• Date: Sat, 11 Jan 2025 08:39:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:25:41.882081
• Title: A Diffusive Data Augmentation Framework for Reconstruction of Complex Network Evolutionary History
• Title（参考訳）: 複雑なネットワーク進化史の再構築のための拡散的データ拡張フレームワーク
• Authors: En Xu, Can Rong, Jingtao Ding, Yong Li,
• Abstract要約: エッジの生成時間は、様々なネットワーク化された複雑なシステムの歴史的進化に関する洞察を提供する。 既存の手法では、部分的時間的ネットワークが与えられた残余エッジの生成時間を予測できるが、ネットワーク横断予測タスクでは性能が良くない場合が多い。 本研究では,ネットワーク構造とエッジ生成時間の関係をネットワーク間学習できる,複数のネットワークを融合した比較パラダイムベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 8.545760548231584
• License:
• Abstract: The evolutionary processes of complex systems contain critical information regarding their functional characteristics. The generation time of edges provides insights into the historical evolution of various networked complex systems, such as protein-protein interaction networks, ecosystems, and social networks. Recovering these evolutionary processes holds significant scientific value, including aiding in the interpretation of the evolution of protein-protein interaction networks. However, existing methods are capable of predicting the generation times of remaining edges given a partial temporal network but often perform poorly in cross-network prediction tasks. These methods frequently fail in edge generation time recovery tasks for static networks that lack timestamps. In this work, we adopt a comparative paradigm-based framework that fuses multiple networks for training, enabling cross-network learning of the relationship between network structure and edge generation times. Compared to separate training, this approach yields an average accuracy improvement of 16.98%. Furthermore, given the difficulty in collecting temporal networks, we propose a novel diffusion-model-based generation method to produce a large number of temporal networks. By combining real temporal networks with generated ones for training, we achieve an additional average accuracy improvement of 5.46% through joint training.
• Abstract（参考訳）: 複雑なシステムの進化過程は、それらの機能的特性に関する重要な情報を含んでいる。 エッジの生成時間は、タンパク質とタンパク質の相互作用ネットワーク、生態系、ソーシャルネットワークなど、様々なネットワーク化された複雑なシステムの歴史的進化に関する洞察を提供する。 これらの進化過程の復元は、タンパク質とタンパク質の相互作用ネットワークの進化の解釈を補助するなど、重要な科学的価値を持つ。 しかし、既存の手法では、部分的時間的ネットワークが与えられたままのエッジの生成時間を予測できるが、ネットワーク横断予測タスクでは性能が良くない場合が多い。 これらの手法は、タイムスタンプを欠いた静的ネットワークのエッジ生成時間回復タスクで頻繁に失敗する。 本研究では,ネットワーク構造とエッジ生成時間の関係をネットワーク間学習できる,複数のネットワークを融合した比較パラダイムベースのフレームワークを提案する。 個別のトレーニングと比較して、このアプローチは平均精度が16.98%向上する。 さらに,時間的ネットワークの収集が困難であることから,多数の時間的ネットワークを生成するための拡散モデルに基づく新しい生成手法を提案する。 実時間ネットワークと学習のための生成ネットワークを組み合わせることで,共同トレーニングによる平均精度が5.46%向上した。

関連論文リスト

• Contrastive Representation Learning for Dynamic Link Prediction in Temporal Networks [1.9389881806157312]
  本稿では,時間ネットワークの表現を学習するための自己教師付き手法を提案する。 本稿では、時間的ネットワークの時間的参照経路を介して情報の流れをモデル化するための、繰り返しメッセージパッシングニューラルネットワークアーキテクチャを提案する。 提案手法は、Enron、COLAB、Facebookのデータセットでテストされる。
  論文  参考訳（メタデータ） (2024-08-22T22:50:46Z)
• Symbolic Regression of Dynamic Network Models [0.0]
  ネットワーク生成器の新たな定式化とパラメータフリー適合関数を導入し、生成されたネットワークを評価する。 我々は、時間変化ネットワークのルールを作成し、検索するためにジェネレータのセマンティクスを変更することで、このアプローチを拡張した。 このフレームワークは、主要都市の地下鉄ネットワーク、ストリートネットワークの地域、人工知能における文学のセマンティック共起ネットワークの3つの経験的なデータセットで使用された。
  論文  参考訳（メタデータ） (2023-12-15T00:34:45Z)
• Critical Learning Periods for Multisensory Integration in Deep Networks [112.40005682521638]
  ニューラルネットワークが様々な情報源からの情報を統合する能力は、トレーニングの初期段階において、適切な相関した信号に晒されることに批判的になることを示す。 臨界周期は、訓練されたシステムとその学習された表現の最終性能を決定づける、複雑で不安定な初期過渡的ダイナミクスから生じることを示す。
  論文  参考訳（メタデータ） (2022-10-06T23:50:38Z)
• Generating fine-grained surrogate temporal networks [12.7211231166069]
  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。
  論文  参考訳（メタデータ） (2022-05-18T09:38:22Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• 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)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• 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)
• On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
  現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。 現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。 トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:39:04Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)

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。