論文の概要: A PID-Controlled Tensor Wheel Decomposition Model for Dynamic Link Prediction

• arxiv url: http://arxiv.org/abs/2505.14211v1
• Date: Tue, 20 May 2025 11:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.086185
• Title: A PID-Controlled Tensor Wheel Decomposition Model for Dynamic Link Prediction
• Title（参考訳）: 動的リンク予測のためのPID制御テンソルホイール分解モデル
• Authors: Qu Wang, Yan Xia,
• Abstract要約: 本研究では, PID制御型テンソルホイール分解(PTWD)モデルについて述べる。 提案するPTWDモデルは,他のモデルと比較して高精度なリンク予測機能を有する。
• 参考スコア（独自算出の注目度）: 3.525733859925913
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction in dynamic networks remains a fundamental challenge in network science, requiring the inference of potential interactions and their evolving strengths through spatiotemporal pattern analysis. Traditional static network methods have inherent limitations in capturing temporal dependencies and weight dynamics, while tensor-based methods offer a promising paradigm by encoding dynamic networks into high-order tensors to explicitly model multidimensional interactions across nodes and time. Among them, tensor wheel decomposition (TWD) stands out for its innovative topological structure, which decomposes high-order tensors into cyclic factors and core tensors to maintain structural integrity. To improve the prediction accuracy, this study introduces a PID-controlled tensor wheel decomposition (PTWD) model, which mainly adopts the following two ideas: 1) exploiting the representation power of TWD to capture the latent features of dynamic network topology and weight evolution, and 2) integrating the proportional-integral-derivative (PID) control principle into the optimization process to obtain a stable model parameter learning scheme. The performance on four real datasets verifies that the proposed PTWD model has more accurate link prediction capabilities compared to other models.
• Abstract（参考訳）: 動的ネットワークにおけるリンク予測はネットワーク科学における根本的な課題であり、時空間パターン解析を通じて潜在的な相互作用とそれらの進化する強みを推測する必要がある。 従来の静的ネットワーク手法は、時間的依存と重みのダイナミクスを捉えるのに固有の制限があるが、テンソルベースの手法は、動的ネットワークを高次テンソルに符号化し、ノードと時間間の多次元相互作用を明示的にモデル化することで、有望なパラダイムを提供する。 その中で、テンソルホイール分解(TWD)は、その革新的なトポロジカル構造で、高次テンソルを循環因子とコアテンソルに分解して構造整合性を維持する。 予測精度を向上させるために,PID制御テンソルホイール分解(PTWD)モデルを導入する。 1)TWDの表現力を生かして動的ネットワークトポロジとウェイト進化の潜在的特徴を捉え, 2) 比例積分微分(PID)制御原理を最適化プロセスに統合し, 安定なモデルパラメータ学習方式を得る。 4つの実データセットのパフォーマンスは、提案したPTWDモデルが他のモデルよりも正確なリンク予測能力を持っていることを検証している。

関連論文リスト

• Multi-Head Self-Attending Neural Tucker Factorization [5.734615417239977]
  本稿では,高次元および不完全(HDI)テンソルの学習表現に適したニューラルネットワークに基づくテンソル分解手法を提案する。 提案したMSNTucFモデルでは,観測結果の欠落を推定する上で,最先端のベンチマークモデルと比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-16T13:04:15Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Temporal Domain Generalization with Drift-Aware Dynamic Neural Network [12.483886657900525]
  ドリフト対応動的ニューラルネットワーク(DRAIN)フレームワークを用いた時間領域一般化を提案する。 具体的には、この問題を、データとモデル力学の関係を共同でモデル化するベイズ的枠組みに定式化する。 モデルパラメータとデータ分布の時間的ドリフトをキャプチャし、将来のデータなしで将来モデルを予測することができる。
  論文  参考訳（メタデータ） (2022-05-21T20:01:31Z)
• Link Prediction for Temporally Consistent Networks [6.981204218036187]
  リンク予測は、動的ネットワークにおける次の関係を推定する。 動的に進化するネットワークを表現するための隣接行列の使用は、異種、スパース、またはネットワーク形成から解析的に学習する能力を制限する。 時間的パラメータ化ネットワークモデルとして不均一な時間進化活動を表現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-06T07:28:03Z)

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。