論文の概要: Tensor State Space-based Dynamic Multilayer Network Modeling

• arxiv url: http://arxiv.org/abs/2506.02413v1
• Date: Tue, 03 Jun 2025 03:58:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.219371
• Title: Tensor State Space-based Dynamic Multilayer Network Modeling
• Title（参考訳）: テンソル状態空間に基づく動的多層ネットワークモデリング
• Authors: Tian Lan, Jie Guo, Chen Zhang,
• Abstract要約: 既存のモデルは、しばしばそのようなネットワークの時間的および層間ダイナミクスを捉えるのに失敗する。 本稿では、潜在空間モデルフレームワークを利用した動的多層ネットワークのための新しい状態空間モデル(TSSDMN)を提案する。 数値シミュレーションとケーススタディにより,動的多層ネットワーク理解における TSSDMN の有効性が実証された。
• 参考スコア（独自算出の注目度）: 24.860214033275515
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the complex interactions within dynamic multilayer networks is critical for advancements in various scientific domains. Existing models often fail to capture such networks' temporal and cross-layer dynamics. This paper introduces a novel Tensor State Space Model for Dynamic Multilayer Networks (TSSDMN), utilizing a latent space model framework. TSSDMN employs a symmetric Tucker decomposition to represent latent node features, their interaction patterns, and layer transitions. Then by fixing the latent features and allowing the interaction patterns to evolve over time, TSSDMN uniquely captures both the temporal dynamics within layers and across different layers. The model identifiability conditions are discussed. By treating latent features as variables whose posterior distributions are approximated using a mean-field variational inference approach, a variational Expectation Maximization algorithm is developed for efficient model inference. Numerical simulations and case studies demonstrate the efficacy of TSSDMN for understanding dynamic multilayer networks.
• Abstract（参考訳）: 動的多層ネットワークにおける複雑な相互作用を理解することは、様々な科学分野の進歩に不可欠である。 既存のモデルは、しばしばそのようなネットワークの時間的および層間ダイナミクスを捉えるのに失敗する。 本稿では,動的多層ネットワークのためのテンソル状態空間モデル(TSSDMN)を提案する。 TSSDMNは、遅延ノードの特徴、それらの相互作用パターン、および層遷移を表現するために対称タッカー分解を用いる。 次に、潜在機能を修正し、時間とともに相互作用パターンを進化させることで、TSSDMNは、レイヤ内および異なるレイヤ間の時間的ダイナミクスの両方をユニークにキャプチャする。 モデル識別可能性条件について論じる。 平均場変動推定手法を用いて後続分布を近似した変数として潜在特徴を扱い, モデル推論の効率化のために変分予測最大化アルゴリズムを開発した。 数値シミュレーションとケーススタディにより,動的多層ネットワーク理解における TSSDMN の有効性が実証された。

関連論文リスト

• 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)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• Learning Joint Latent Space EBM Prior Model for Multi-layer Generator [44.4434704520236]
  多層ジェネレータモデルの学習における基礎的問題について検討する。 本稿では,全層にまたがる待ち行列空間上のエネルギーモデル (EBM) を提案する。 実験により、学習したモデルが高品質な画像を生成する際に表現できることが実証された。
  論文  参考訳（メタデータ） (2023-06-10T00:27:37Z)
• 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)
• A Mutually Exciting Latent Space Hawkes Process Model for Continuous-time Networks [3.883893461313154]
  本稿では,ノードの潜在空間表現を用いた関係事象の連続時間ネットワークのための新しい生成モデルを提案する。 提案したLSHモデルは,相互性や推移性を含む実時間ネットワークで観測される多くの特徴を再現可能であることを示す。
  論文  参考訳（メタデータ） (2022-05-19T00:56:12Z)
• Multi-Scale Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action Recognition [140.18376685167857]
  スケルトンに基づく行動認識には,単純なマルチスケールセマンティクス誘導ニューラルネットワークが提案されている。 MS-SGNは、NTU60、NTU120、SYSUデータセットの最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-11-07T03:50:50Z)
• Multi-View Dynamic Heterogeneous Information Network Embedding [3.8093526291513347]
  MDHNE(Multi-View Dynamic HIN Embedding)と呼ばれるHIN埋め込みに時間情報を組み込む新しいフレームワークを提案する。 提案するMDHNEは、複雑なネットワーク構造とノード間の意味的関係の進化パターンを潜在埋め込み空間に組み込むために、リカレントニューラルネットワーク(RNN)を適用している。 本モデルは,ネットワークマイニングタスクの3つの実世界の動的データセットに対して,最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2020-11-12T12:33:29Z)
• MagNet: Discovering Multi-agent Interaction Dynamics using Neural Network [11.285833408524708]
  MagNetはニューラルネットワークベースのマルチエージェントインタラクションモデルである。 マルチエージェントシステムのコアダイナミクスを観測から発見するように訓練されている。 エージェント固有のパラメータを学習し、正確な予測を保証するために、オンラインで調整される。
  論文  参考訳（メタデータ） (2020-01-24T13:41:01Z)
• Relational State-Space Model for Stochastic Multi-Object Systems [24.234120525358456]
  本稿では、逐次階層型潜在変数モデルであるリレーショナル状態空間モデル(R-SSM)を紹介する。 R-SSMはグラフニューラルネットワーク(GNN)を用いて、複数の相関オブジェクトの結合状態遷移をシミュレートする。 R-SSMの実用性は、合成および実時間時系列データセットで実証的に評価される。
  論文  参考訳（メタデータ） (2020-01-13T03:45:21Z)

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。