論文の概要: Temporal social network modeling of mobile connectivity data with graph neural networks

• arxiv url: http://arxiv.org/abs/2509.03319v1
• Date: Wed, 03 Sep 2025 13:53:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.536282
• Title: Temporal social network modeling of mobile connectivity data with graph neural networks
• Title（参考訳）: グラフニューラルネットワークを用いた移動体接続データの時空間ソーシャル・ネットワーク・モデリング
• Authors: Joel Jaskari, Chandreyee Roy, Fumiko Ogushi, Mikko Saukkoriipi, Jaakko Sahlsten, Kimmo Kaski,
• Abstract要約: モバイル通信ネットワークのユーザ間での通話およびSMS活動を予測するために,4つのスナップショットベースの時間的GNNについて検討した。 その結果、GNNベースのアプローチは、モバイル接続データによる時間的ソーシャルネットワークの分析において有望であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) have emerged as a state-of-the-art data-driven tool for modeling connectivity data of graph-structured complex networks and integrating information of their nodes and edges in space and time. However, as of yet, the analysis of social networks using the time series of people's mobile connectivity data has not been extensively investigated. In the present study, we investigate four snapshot - based temporal GNNs in predicting the phone call and SMS activity between users of a mobile communication network. In addition, we develop a simple non - GNN baseline model using recently proposed EdgeBank method. Our analysis shows that the ROLAND temporal GNN outperforms the baseline model in most cases, whereas the other three GNNs perform on average worse than the baseline. The results show that GNN based approaches hold promise in the analysis of temporal social networks through mobile connectivity data. However, due to the relatively small performance margin between ROLAND and the baseline model, further research is required on specialized GNN architectures for temporal social network analysis.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化された複雑なネットワークの接続データをモデリングし、そのノードとエッジに関する情報を空間と時間で統合するための最先端のデータ駆動ツールとして登場した。 しかし、現在、人々のモバイル接続データの時系列データを用いたソーシャルネットワークの分析は、広く研究されていない。 本研究では,モバイル通信ネットワークのユーザ間での通話およびSMS活動を予測するために,4つのスナップショットベースの時間的GNNについて検討した。 さらに,最近提案したEdgeBank法を用いて,単純な非GNNベースラインモデルを構築した。 解析の結果、ROLAND時間GNNはベースラインモデルよりも優れており、他の3つのGNNはベースラインよりも平均的に劣っていることがわかった。 その結果、GNNベースのアプローチは、モバイル接続データによる時間的ソーシャルネットワークの分析において有望であることがわかった。 しかし、ROLANDとベースラインモデルの間の性能差が比較的小さいため、時間的ネットワーク分析のための特殊なGNNアーキテクチャについてさらなる研究が必要である。

関連論文リスト

• Deep Learning on Graphs for Mobile Network Topology Generation [0.0]
  本稿では,実世界のモバイルネットワークに適用された異なるグラフベースの深層学習手法の精度と精度を評価することに焦点を当てる。 実運用Telecom Networksから得られたTelecomデータセットに関する実験により,グラフニューラルネットワーク(GNN)モデルと多層パーセプトロンの有効性が示された。
  論文  参考訳（メタデータ） (2025-04-18T15:49:56Z)
• DTFormer: A Transformer-Based Method for Discrete-Time Dynamic Graph Representation Learning [38.53424185696828]
  離散時間動的グラフ(DTDG)の表現学習は、時間的に変化するエンティティとその進化する接続のダイナミクスをモデル化するために広く応用されている。 本稿では,従来の GNN+RNN フレームワークから Transformer ベースのアーキテクチャへ移行した DTDG のための表現学習手法 DTFormer を提案する。
  論文  参考訳（メタデータ） (2024-07-26T05:46:23Z)
• Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
  グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。 GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。 以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-12T09:18:12Z)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)

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。