論文の概要: Physics-Inspired Spatial Temporal Graph Neural Networks for Predicting Industrial Chain Resilience

• arxiv url: http://arxiv.org/abs/2508.16836v1
• Date: Fri, 22 Aug 2025 23:22:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.200026
• Title: Physics-Inspired Spatial Temporal Graph Neural Networks for Predicting Industrial Chain Resilience
• Title（参考訳）: 物理に着想を得た時空間グラフニューラルネットワークによる産業的鎖レジリエンスの予測
• Authors: Bicheng Wang, Junping Wang, Yibo Xue,
• Abstract要約: 本稿では、複雑なネットワークの進化力学をレジリエントな予測のために記述するために、物理的に有意なニューラルシンボリックアプローチを提案する。 実験結果から, レジリエンスモデルによりより優れた結果が得られ, 業界チェーンをより正確に, 効果的に予測できることが示唆された。
• 参考スコア（独自算出の注目度）: 1.2850727613313964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial chain plays an increasingly important role in the sustainable development of national economy. However, as a typical complex network, data-driven deep learning is still in its infancy in describing and analyzing the resilience of complex networks, and its core is the lack of a theoretical framework to describe the system dynamics. In this paper, we propose a physically informative neural symbolic approach to describe the evolutionary dynamics of complex networks for resilient prediction. The core idea is to learn the dynamics of the activity state of physical entities and integrate it into the multi-layer spatiotemporal co-evolution network, and use the physical information method to realize the joint learning of physical symbol dynamics and spatiotemporal co-evolution topology, so as to predict the industrial chain resilience. The experimental results show that the model can obtain better results and predict the elasticity of the industry chain more accurately and effectively, which has certain practical significance for the development of the industry.
• Abstract（参考訳）: 産業チェーンは、国家経済の持続可能な発展において、ますます重要な役割を担っている。 しかし、典型的な複雑なネットワークとして、データ駆動型ディープラーニングはまだ複雑なネットワークのレジリエンスを記述し分析する初期段階にあり、その中核はシステムダイナミクスを記述するための理論的枠組みがないことである。 本稿では、複雑なネットワークの進化力学をレジリエントな予測のために記述するための、物理的に有意なニューラルシンボリックアプローチを提案する。 中心となる考え方は、物理実体の運動状態のダイナミクスを学習し、それを多層時空間共進化ネットワークに統合し、物理情報法を用いて物理記号力学と時空間共進化トポロジーの合同学習を実現し、産業チェーンのレジリエンスを予測することである。 実験結果から, モデルがより優れた結果を得ることができ, より正確かつ効果的に産業チェーンの弾力性を予測できることが示唆された。

関連論文リスト

• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Industrial brain: a human-like autonomous neuro-symbolic cognitive decision-making system [8.351047624197255]
  産業脳は人間のような自律的な認知的意思決定と計画の枠組みである。 高次のアクティビティ駆動ネットワークとCT-OODAシンボリック推論を、自律的なプランレジリエンスに統合する。
  論文  参考訳（メタデータ） (2025-06-30T14:54:52Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  神経科学とAIの両方では、ニューロン間の'バインディング'が、ネットワークの深い層においてより抽象的な概念を表現するために表現を圧縮する、競争的な学習の形式につながることが知られている。 完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。 このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、定量化、推論など、幅広いタスクにわたるパフォーマンス改善を提供する。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• From Lazy to Rich: Exact Learning Dynamics in Deep Linear Networks [47.13391046553908]
  人工ネットワークでは、これらのモデルの有効性はタスク固有の表現を構築する能力に依存している。 以前の研究では、異なる初期化によって、表現が静的な遅延状態にあるネットワークや、表現が動的に進化するリッチ/フィーチャーな学習体制のいずれかにネットワークを配置できることが強調されていた。 これらの解は、豊かな状態から遅延状態までのスペクトルにわたる表現とニューラルカーネルの進化を捉えている。
  論文  参考訳（メタデータ） (2024-09-22T23:19:04Z)
• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Disentangling the Causes of Plasticity Loss in Neural Networks [55.23250269007988]
  可塑性の喪失は複数の独立したメカニズムに分解できることを示す。 種々の非定常学習タスクにおいて, 層正規化と重み劣化の組み合わせは, 可塑性維持に極めて有効であることを示す。
  論文  参考訳（メタデータ） (2024-02-29T00:02:33Z)
• Formalizing Generalization and Robustness of Neural Networks to Weight Perturbations [58.731070632586594]
  非負のモノトーンアクティベーション機能を備えたフィードフォワードニューラルネットワークの重量変動に対する最初の形式解析を提供します。 また,重みの摂動に対して一般化し頑健なニューラルネットワークを訓練するための新しい理論駆動損失関数を設計した。
  論文  参考訳（メタデータ） (2021-03-03T06:17:03Z)
• Input-to-State Representation in linear reservoirs dynamics [15.491286626948881]
  貯留層コンピューティングは、リカレントニューラルネットワークを設計するための一般的なアプローチである。 これらのネットワークの動作原理は、完全には理解されていない。 このようなネットワークの力学の新たな解析法を提案する。
  論文  参考訳（メタデータ） (2020-03-24T00:14:25Z)

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。