論文の概要: Predicting Graph Structure via Adapted Flux Balance Analysis

• arxiv url: http://arxiv.org/abs/2507.05806v1
• Date: Tue, 08 Jul 2025 09:25:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:37.763465
• Title: Predicting Graph Structure via Adapted Flux Balance Analysis
• Title（参考訳）: 適応フラックスバランス解析によるグラフ構造予測
• Authors: Sevvandi Kandanaarachchi, Ziqi Xu, Stefan Westerlund, Conrad Sanderson,
• Abstract要約: 適応型フラックスバランス解析(FBA)と組み合わせた時系列予測手法を提案する。 合成データセット(UCI Message, HePH, Facebook, Bitcoin)と実際のデータセットに関する実証的な評価は、提案手法の有効性を示している。
• 参考スコア（独自算出の注目度）: 15.193806371051945
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many dynamic processes such as telecommunication and transport networks can be described through discrete time series of graphs. Modelling the dynamics of such time series enables prediction of graph structure at future time steps, which can be used in applications such as detection of anomalies. Existing approaches for graph prediction have limitations such as assuming that the vertices do not to change between consecutive graphs. To address this, we propose to exploit time series prediction methods in combination with an adapted form of flux balance analysis (FBA), a linear programming method originating from biochemistry. FBA is adapted to incorporate various constraints applicable to the scenario of growing graphs. Empirical evaluations on synthetic datasets (constructed via Preferential Attachment model) and real datasets (UCI Message, HePH, Facebook, Bitcoin) demonstrate the efficacy of the proposed approach.
• Abstract（参考訳）: 通信や輸送ネットワークのような多くの動的なプロセスは、離散的な時系列グラフを通して記述することができる。 このような時系列のダイナミクスをモデル化することで、将来の時間ステップにおけるグラフ構造の予測が可能になり、異常の検出などのアプリケーションで使用することができる。 既存のグラフ予測のアプローチには、頂点が連続グラフ間で変化しないという仮定のような制限がある。 そこで本研究では, 生化学から派生した線形計画法であるフラックスバランス解析 (FBA) を応用した時系列予測手法を提案する。 FBAは、グラフの成長シナリオに適用できる様々な制約を組み込むように適応されている。 合成データセット(優先アタッチメントモデルで構築)と実データセット(UCI Message, HePH, Facebook, Bitcoin)に関する実証的な評価は、提案手法の有効性を実証している。

関連論文リスト

• Persistent Homology-induced Graph Ensembles for Time Series Regressions [1.5728609542259502]
  永続ホモロジーフィルタに基づくグラフニューラルネットワークのアンサンブルを作成する。 アンサンブルは、注目に基づくルーティング機構を介して、個々の学習者からの信号を集約する。 地震活動予測と交通予測に関する4つの異なる実世界の実験は、我々のアプローチが一本のグラフベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2025-03-18T13:22:52Z)
• Continuous Product Graph Neural Networks [5.703629317205571]
  複数のグラフ上に定義されたマルチドメインデータは、計算機科学の実践的応用において大きな可能性を秘めている。 TPDEGの自然な解として現れるCITRUS(Continuous Product Graph Neural Networks)を紹介する。 我々は、CITRUSをよく知られた交通・時間天気予報データセットで評価し、既存の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-29T08:36:09Z)
• Predicting the structure of dynamic graphs [3.035039100561926]
  我々は、目に見えない新しいノードとエッジを含む将来のステップにおけるグラフの構造を予測する。 時系列予測手法を用いて,将来の時間点におけるノード次数予測を行い,これらの予測とフラックスバランス解析を組み合わせる。 我々は、合成および実世界のデータセットを用いてこのアプローチを評価し、その実用性と適用性を実証する。
  論文  参考訳（メタデータ） (2024-01-08T23:25:43Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
  時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。 特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。 最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
  論文  参考訳（メタデータ） (2022-06-28T08:11:12Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。