論文の概要: Analysis and Resilience of the U.S. Flight Network

• arxiv url: http://arxiv.org/abs/2505.11559v1
• Date: Fri, 16 May 2025 03:13:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.701919
• Title: Analysis and Resilience of the U.S. Flight Network
• Title（参考訳）: アメリカにおけるフライトネットワークの分析とレジリエンス
• Authors: Sushrit Kafle, Shreejan Pandey,
• Abstract要約: 本稿では,米国フライトネットワークのトポロジがその効率性と脆弱性にどのように貢献するかを考察する。 様々なパーコレーションテストにより、USFNは標的となる攻撃に対して脆弱であり、主要なハブの1つが失敗した場合、カスケード障害を完遂する恐れがあることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Air travel is one of the most widely used transportation services in the United States. This paper analyzes the U.S. Flight Network (USFN) using complex network theory by exploring how the network's topology contributes to its efficiency and vulnerability. This is done by examining the structural properties, degree distributions, and community structures in the network. USFN was observed to follow power-law distribution and falls under the anomalous regime, suggesting that the network is hub dominant. Compared to null networks, USFN has a higher clustering coefficient and modularity. Various percolation test revealed that USFN is vulnerable to targeted attacks and is susceptible to complete cascading failure if one of the major hubs fails. The overall results suggest that while the USFN is designed for efficiency, it is highly vulnerable to disruptions. Protecting key hub airports is important to make the network more robust and prevent large-scale failures.
• Abstract（参考訳）: 航空輸送はアメリカ合衆国で最も広く使われている交通機関の一つである。 本稿では,このネットワークのトポロジがその効率性と脆弱性にどのように貢献するかを探索し,複雑なネットワーク理論を用いてUSFN(USFN)を分析した。 これは、ネットワークの構造的特性、次数分布、およびコミュニティ構造を調べることで実現される。 USFNは、権力の分配に従うことが観察され、異常な体制に陥り、ネットワークが中心的な存在であることを示唆した。 ヌルネットワークと比較して、USFNはクラスタリング係数とモジュラリティが高い。 様々なパーコレーションテストにより、USFNは標的となる攻撃に対して脆弱であり、主要なハブの1つが失敗した場合、カスケード障害を完遂する恐れがあることが判明した。 その結果、USFNは効率性のために設計されているものの、破壊に対して非常に脆弱であることが示唆された。 主要なハブ空港を保護することは、ネットワークをより堅牢にし、大規模な失敗を防ぐために重要である。

関連論文リスト

• Fed-KAN: Federated Learning with Kolmogorov-Arnold Networks for Traffic Prediction [10.34834816497689]
  従来の集中型学習アプローチは、高いレイテンシ、断続的な接続性、帯域幅の制限により、そのようなネットワークにおいて大きな課題に直面している。 Federated Learning with Multi-Layer Perceptrons (Fed-MLP)のような既存のFLモデルは、計算の複雑さと動的環境への適応性に悩まされる。 本稿では,Kolmogorov-Arnold Networks (Fed-KAN) を用いたフェデレートラーニングの詳細な分析を行う。 以上の結果から,Fed-KANはFed-MLPと比較して平均テスト損失を77.39%削減できることがわかった。
  論文  参考訳（メタデータ） (2025-02-28T20:04:53Z)
• Predicting Cascade Failures in Interdependent Urban Infrastructure Networks [10.59074382276026]
  カスケード障害(CF)は、インフラストラクチャネットワークに広がるコンポーネントの破壊を伴い、システム全体の崩壊を引き起こします。 textbfIntegrated textbfInterdependent textbfInfrastructure CF model(I3$)を導入する。 I3$はAUCで31.94%、精度で18.03%、リコールで29.17%、インフラ予測で22.73%を達成
  論文  参考訳（メタデータ） (2025-02-26T14:50:22Z)
• Communication-Efficient Federated Learning by Quantized Variance Reduction for Heterogeneous Wireless Edge Networks [55.467288506826755]
  フェデレーテッド・ラーニング(FL)は、無線エッジネットワークにおけるローカル・プライバシ・アウェア・コラボレーティブ・モデルトレーニングの有効なソリューションとして認識されている。 既存の通信効率の高いFLアルゴリズムは、デバイス間の大きなばらつきを低減できない。 本稿では,高度分散還元方式に依存する新しい通信効率FLアルゴリズムであるFedQVRを提案する。
  論文  参考訳（メタデータ） (2025-01-20T04:26:21Z)
• Predicting Instability in Complex Oscillator Networks: Limitations and Potentials of Network Measures and Machine Learning [0.0]
  我々は46の関連するネットワーク測度を収集し、小さなサブセットが安定性を確実に予測できないことを発見した。 GNNの性能は、すべてのネットワーク測度とノードワイズ機械学習を組み合わせることでのみ一致できる。 このことは,ネットワーク計測と関数の相関関係が誤解を招く可能性があり,GNNが構造と安定性の因果関係をかなりよく捉えていることを示唆している。
  論文  参考訳（メタデータ） (2024-02-27T13:34:08Z)
• Robustness to distribution shifts of compressed networks for edge devices [6.606005367624169]
  領域シフトと対向摂動の2種類のデータ分散シフトにおいて,圧縮ネットワークの堅牢性を検討することが重要である。 本研究では,圧縮モデルが元のネットワークよりも分散シフトに対して頑健でないことを明らかにする。 知識蒸留によって得られるコンパクトネットワークは、刈り取られたネットワークよりも、分散シフトに対してより堅牢である。
  論文  参考訳（メタデータ） (2024-01-22T15:00:32Z)
• FERN: Leveraging Graph Attention Networks for Failure Evaluation and Robust Network Design [46.302926845889694]
  我々は、スケーラブルな故障評価とロバストネットワーク設計のための学習ベースのフレームワークFERNを開発した。 FERNは、リッチな問題入力をグラフとして表現し、グラフから特徴抽出を注意深く実行することによって、ローカルとグローバルの両方のビューをキャプチャする。 複数のロバストなネットワーク設計問題を,それぞれ80倍,200倍,10倍以上スピードアップすることができる。
  論文  参考訳（メタデータ） (2023-05-30T15:56:25Z)
• A Learning Convolutional Neural Network Approach for Network Robustness Prediction [13.742495880357493]
  ネットワークの堅牢性は、様々な社会的・産業的ネットワークにとって再び悪意ある攻撃にとって重要である。 本稿では,畳み込みニューラルネットワーク(LFR-CNN)を用いた学習特徴表現に基づくネットワークロバスト性予測の改良手法を提案する。 このスキームでは、高次元のネットワークデータを低次元の表現に圧縮し、CNNに渡してロバストネス予測を行う。
  論文  参考訳（メタデータ） (2022-03-20T13:45:55Z)
• Wireless-Enabled Asynchronous Federated Fourier Neural Network for Turbulence Prediction in Urban Air Mobility (UAM) [101.80862265018033]
  垂直離着陸機(VTOL)が配車サービスに使用される都市空力(UAM)が提案されている。 UAMでは、航空機はエアロドロムを繋ぐ廊下として知られる指定空域で運用することができる。 GBSと航空機間の信頼性の高い通信網により、UAMは適切に空域を利用することができる。
  論文  参考訳（メタデータ） (2021-12-26T14:41:52Z)
• Towards Theoretical Understanding of Flexible Transmitter Networks via Approximation and Local Minima [74.30120779041428]
  近似と局所最小値の観点から一層FTNetの理論的性質を考察する。 その結果,FTNetは効率よく対象関数を表現でき,局所最小化には関心がないことが明らかとなった。
  論文  参考訳（メタデータ） (2021-11-11T02:41:23Z)
• Co-Saliency Detection with Co-Attention Fully Convolutional Network [47.26829884104539]
  共塩分検出は、関連した画像のグループから一般的な塩分物を検出することを目的としている。 我々は、コアテンションFCN(CA-FCN)と呼ばれる、コアテンションモジュール組み込みFCNフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-20T11:52:40Z)
• Disentangling Trainability and Generalization in Deep Neural Networks [45.15453323967438]
  我々は,ニューラルネットワークのトレーニング性と一般化のために,NTK(Neural Tangent Kernel)のスペクトルを分析した。 グローバル平均プールのないCNNはFCNとほぼ同じ挙動を示すが、プールを持つCNNは著しく異なり、しばしば一般化性能が向上している。
  論文  参考訳（メタデータ） (2019-12-30T18:53:24Z)

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。