Fugu-MT 論文翻訳(概要): Predicting Steady-State Behavior in Complex Networks with Graph Neural Networks

論文の概要: Predicting Steady-State Behavior in Complex Networks with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2502.01693v2
Date: Fri, 07 Feb 2025 17:40:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-10 14:54:03.286870
Title: Predicting Steady-State Behavior in Complex Networks with Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いた複雑ネットワークにおける定常挙動の予測
Authors: Priodyuti Pradhan, Amit Reza,
Abstract要約: 複雑なシステムでは、情報伝達は拡散または非局在化、弱局所化、強局所化と定義できる。本研究では,線形力学系のネットワーク上での挙動を学習するために,グラフニューラルネットワークモデルの適用について検討する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: In complex systems, information propagation can be defined as diffused or delocalized, weakly localized, and strongly localized. This study investigates the application of graph neural network models to learn the behavior of a linear dynamical system on networks. A graph convolution and attention-based neural network framework has been developed to identify the steady-state behavior of the linear dynamical system. We reveal that our trained model distinguishes the different states with high accuracy. Furthermore, we have evaluated model performance with real-world data. In addition, to understand the explainability of our model, we provide an analytical derivation for the forward and backward propagation of our framework.
Abstract（参考訳）: 複雑なシステムでは、情報伝達は拡散または非局在化、弱局所化、強局所化と定義できる。本研究では,線形力学系のネットワーク上での挙動を学習するために,グラフニューラルネットワークモデルの適用について検討する。線形力学系の定常挙動を特定するために,グラフ畳み込みと注目に基づくニューラルネットワークフレームワークを開発した。トレーニングされたモデルでは、異なる状態を高い精度で区別する。さらに,実世界のデータを用いたモデルの性能評価を行った。さらに、モデルの説明可能性を理解するために、フレームワークの前方及び後方伝播に対する分析的導出を提供する。

関連論文リスト

SINDyG: Sparse Identification of Nonlinear Dynamical Systems from Graph-Structured Data [0.27624021966289597]
グラフ構造化データ(SINDyG)から動的システムのスパース同定法を開発した。 SINDyGはネットワーク構造をスパース回帰に組み込んで、基礎となるネットワーク力学を説明するモデルパラメータを識別する。本実験は, ネットワーク力学の精度向上と簡易性を検証した。
論文参考訳（メタデータ） (2024-09-02T17:51:37Z)
Graph Attention Inference of Network Topology in Multi-Agent Systems [0.0]
本研究は,マルチエージェントシステムの将来の状態を予測するためのアテンションメカニズムを活用する,機械学習に基づく新しいソリューションを提案する。次に、注目値の強さからグラフ構造を推定する。提案したデータ駆動型グラフアテンション機械学習モデルにより,マルチエージェントシステムにおけるネットワークトポロジを同定できることを示す。
論文参考訳（メタデータ） (2024-08-27T23:58:51Z)
Coding schemes in neural networks learning classification tasks [52.22978725954347]
完全接続型広義ニューラルネットワーク学習タスクについて検討する。ネットワークが強力なデータ依存機能を取得することを示す。驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
論文参考訳（メタデータ） (2024-06-24T14:50:05Z)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
Stretched and measured neural predictions of complex network dynamics [2.1024950052120417]
微分方程式のデータ駆動近似は、力学系のモデルを明らかにする従来の方法に代わる有望な方法である。最近、ダイナミックスを研究する機械学習ツールとしてニューラルネットワークが採用されている。これは、データ駆動型ソリューションの検出や微分方程式の発見に使用できる。従来の統計学習理論の限界を超えてモデルの一般化可能性を拡張することは可能であることを示す。
論文参考訳（メタデータ） (2023-01-12T09:44:59Z)
Piecewise-Velocity Model for Learning Continuous-time Dynamic Node Representations [0.0]
連続時間動的ネットワーク表現のためのPiecewise-Veable Model (PiVeM)。超低次元空間において、PiVeMはネットワーク構造と力学をうまく表現できることを示す。リンク予測などの下流タスクでは、関連する最先端メソッドよりも優れています。
論文参考訳（メタデータ） (2022-12-23T13:57:56Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Dynamic Inference with Neural Interpreters [72.90231306252007]
本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
論文参考訳（メタデータ） (2021-10-12T23:22:45Z)
Continuous-in-Depth Neural Networks [107.47887213490134]
まず最初に、このリッチな意味では、ResNetsは意味のある動的でないことを示します。次に、ニューラルネットワークモデルが連続力学系を表現することを実証する。 ResNetアーキテクチャの詳細な一般化としてContinuousNetを紹介します。
論文参考訳（メタデータ） (2020-08-05T22:54:09Z)
Deep learning of contagion dynamics on complex networks [0.0]
本稿では,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングに基づく補完的アプローチを提案する。任意のネットワーク構造をシミュレーションすることで,学習したダイナミックスの性質を学習データを超えて探索することが可能になる。この結果は,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングが新たな補完的な視点を提供することを示す。
論文参考訳（メタデータ） (2020-06-09T17:18:34Z)
A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
動的テキスト環境における質問応答について検討する。構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
論文参考訳（メタデータ） (2020-04-25T04:53:54Z)

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。