論文の概要: Higher-order Network phenomena of cascading failures in resilient cities
- arxiv url: http://arxiv.org/abs/2509.13808v1
- Date: Wed, 17 Sep 2025 08:22:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-18 18:41:50.785114
- Title: Higher-order Network phenomena of cascading failures in resilient cities
- Title（参考訳）: レジリエント都市におけるカスケード故障の高次ネットワーク現象
- Authors: Jinghua Song, Yuan Wang, Zimo Yan,
- Abstract要約: 本稿では,大規模で実世界のマルチモーダルトランスポートネットワークによる実証的な証拠とともに,高次ネットワーク理論に直面する枠組みを提案する。
ネットワーク統合は静的ロバスト性指標を増強するが、破滅性カスケードの構造経路を同時に生成する。
ネットワークの静的な青写真から得られたメトリクスが、従来の低次の中央性と新しい高次の構造解析の両方を介し、基本的には非連結であり、したがってシステムの動的機能レジリエンスの予測因子が貧弱であることを示す強力な証拠を提供する。
- 参考スコア（独自算出の注目度）: 1.6858464664111417
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Modern urban resilience is threatened by cascading failures in multimodal transport networks, where localized shocks trigger widespread paralysis. Existing models, limited by their focus on pairwise interactions, often underestimate this systemic risk. To address this, we introduce a framework that confronts higher-order network theory with empirical evidence from a large-scale, real-world multimodal transport network. Our findings confirm a fundamental duality: network integration enhances static robustness metrics but simultaneously creates the structural pathways for catastrophic cascades. Crucially, we uncover the source of this paradox: a profound disconnect between static network structure and dynamic functional failure. We provide strong evidence that metrics derived from the network's static blueprint-encompassing both conventional low-order centrality and novel higher-order structural analyses-are fundamentally disconnected from and thus poor predictors of a system's dynamic functional resilience. This result highlights the inherent limitations of static analysis and underscores the need for a paradigm shift towards dynamic models to design and manage truly resilient urban systems.
- Abstract（参考訳）: 現代の都市のレジリエンスは、局所的なショックが広範な麻痺を引き起こすマルチモーダル輸送ネットワークのカスケード障害によって脅かされている。
対の相互作用に焦点を絞った既存のモデルは、しばしばこのシステム的リスクを過小評価する。
そこで本研究では,大規模で実世界のマルチモーダルトランスポートネットワークによる実証的な証拠を用いて,高次ネットワーク理論に直面するフレームワークを提案する。
ネットワーク統合は静的ロバスト性指標を増強するが、破滅性カスケードの構造経路を同時に生成する。
重要なことは、静的ネットワーク構造と動的機能障害の深い断絶であるこのパラドックスの源を明らかにすることである。
ネットワークの静的な青写真から得られたメトリクスが、従来の低次の中央性と新しい高次の構造解析の両方を介し、基本的には非連結であり、したがってシステムの動的機能レジリエンスの予測因子が貧弱であることを示す強力な証拠を提供する。
この結果は静的解析の本質的な限界を強調し、真にレジリエントな都市システムを設計・管理するための動的モデルへのパラダイムシフトの必要性を浮き彫りにしている。
関連論文リスト
- PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - 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) - Network Sparsity Unlocks the Scaling Potential of Deep Reinforcement Learning [57.3885832382455]
静的ネットワークの疎結合を単独で導入することで,最先端アーキテクチャの高密度化を超えて,さらなるスケーリング可能性を実現することができることを示す。
解析の結果,高密度DRLネットワークをネーティブにスケールアップするのとは対照的に,疎ネットワークは高いパラメータ効率とネットワーク表現性を両立させることがわかった。
論文 参考訳（メタデータ） (2025-06-20T17:54:24Z) - Causal Discovery in Dynamic Fading Wireless Networks [0.0]
本稿では,逐次回帰に基づくアルゴリズムの提案により,無線環境における因果推論の課題に対処する。
構造変化の同定に要する検出遅延の理論的下限と上限を導出し,ネットワークサイズ,ノイズ分散,フェージング重大度への依存性を明示的に定量化する。
本研究は,非定常無線環境下でのネットワーク信頼性を維持するために,ロバストなオンライン因果推論機構を設計するための厳密な理論的洞察と実践的ガイドラインを提供する。
論文 参考訳（メタデータ） (2025-05-24T13:59:48Z) - CaTs and DAGs: Integrating Directed Acyclic Graphs with Transformers and Fully-Connected Neural Networks for Causally Constrained Predictions [6.745494093127968]
CFCN(Causal Fully-Connected Neural Networks)とCaT(Causal Transformers)を紹介する。
CFCNsとCaTsは、DAG(Directed Acyclic Graph)によって規定された、予め定義された因果制約の下で動作する
これらのモデルは、基盤となる構造的制約に固執しながら、従来のニューラルネットワークの強力な関数近似能力を保持します。
論文 参考訳（メタデータ） (2024-10-18T14:10:16Z) - 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) - Quantum-Inspired Analysis of Neural Network Vulnerabilities: The Role of
Conjugate Variables in System Attacks [54.565579874913816]
ニューラルネットワークは、敵の攻撃として現れる小さな非ランダムな摂動に固有の脆弱性を示す。
この機構と量子物理学の不確実性原理の間に数学的に一致し、予想外の学際性に光を当てる。
論文 参考訳（メタデータ） (2024-02-16T02:11:27Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳（メタデータ） (2023-10-05T21:44:18Z) - Uncovering the Origins of Instability in Dynamical Systems: How
Attention Mechanism Can Help? [0.0]
ネットワーク内の不均衡構造と極性駆動構造不安定性の集合的挙動に注意を向けるべきである。
本研究は,ネットワークのノードの摂動がネットワーク力学に劇的な変化をもたらす理由を理解するための概念実証である。
論文 参考訳（メタデータ） (2022-12-19T17:16:41Z) - Detecting structural perturbations from time series with deep learning [0.0]
本稿では,関数型時系列から構造摂動を推定するためのグラフニューラルネットワークを提案する。
データ駆動型アプローチは典型的な再構成手法より優れていることを示す。
この研究は、現実世界の複雑なシステムのレジリエンスを研究するための実践的な方法を明らかにする。
論文 参考訳（メタデータ） (2020-06-09T13:08:40Z) - Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。
実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。
以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
論文 参考訳（メタデータ） (2020-04-30T19:12:50Z)
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。