論文の概要: IVGAE-TAMA-BO: A novel temporal dynamic variational graph model for link prediction in global food trade networks with momentum structural memory and Bayesian optimization

• arxiv url: http://arxiv.org/abs/2511.01639v1
• Date: Mon, 03 Nov 2025 14:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.300926
• Title: IVGAE-TAMA-BO: A novel temporal dynamic variational graph model for link prediction in global food trade networks with momentum structural memory and Bayesian optimization
• Title（参考訳）: IVGAE-TAMA-BO:モーメント構造記憶とベイズ最適化を備えたグローバル食品取引網におけるリンク予測のための時間動的変動グラフモデル
• Authors: Sicheng Wang, Shuhao Chen, Jingran Zhou, Chengyi Tu,
• Abstract要約: 本研究は,グローバル食品取引ネットワークにおける貿易構造をモデル化し,将来的なリンクを予測するために設計された,新しい動的グラフニューラルネットワークであるIVGAE-TAMA-BOを紹介する。 我々の知る限りでは、この領域に動的グラフニューラルネットワークを適用する最初の試みであり、予測性能を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 1.5322520814521354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global food trade plays a crucial role in ensuring food security and maintaining supply chain stability. However, its network structure evolves dynamically under the influence of geopolitical, economic, and environmental factors, making it challenging to model and predict future trade links. Effectively capturing temporal patterns in food trade networks is therefore essential for improving the accuracy and robustness of link prediction. This study introduces IVGAE-TAMA-BO, a novel dynamic graph neural network designed to model evolving trade structures and predict future links in global food trade networks. To the best of our knowledge, this is the first work to apply dynamic graph neural networks to this domain, significantly enhancing predictive performance. Building upon the original IVGAE framework, the proposed model incorporates a Trade-Aware Momentum Aggregator (TAMA) to capture the temporal evolution of trade networks, jointly modeling short-term fluctuations and long-term structural dependencies. A momentum-based structural memory mechanism further improves predictive stability and performance. In addition, Bayesian optimization is used to automatically tune key hyperparameters, enhancing generalization across diverse trade scenarios. Extensive experiments on five crop-specific datasets demonstrate that IVGAE-TAMA substantially outperforms the static IVGAE and other dynamic baselines by effectively modeling temporal dependencies, while Bayesian optimization further boosts performance in IVGAE-TAMA-BO. These results highlight the proposed framework as a robust and scalable solution for structural prediction in global trade networks, with strong potential for applications in food security monitoring and policy decision support.
• Abstract（参考訳）: グローバル食品貿易は食品の安全確保とサプライチェーンの安定維持に重要な役割を担っている。 しかし、そのネットワーク構造は地政学、経済、環境要因の影響下で動的に進化し、将来の貿易関係をモデル化し予測することは困難である。 したがって、食品取引網における時間的パターンを効果的に捉えることは、リンク予測の精度と堅牢性を向上させるために不可欠である。 本研究は,グローバル食品取引ネットワークにおける貿易構造をモデル化し,将来的なリンクを予測するために設計された,新しい動的グラフニューラルネットワークであるIVGAE-TAMA-BOを紹介する。 我々の知る限りでは、この領域に動的グラフニューラルネットワークを適用する最初の試みであり、予測性能を大幅に向上させる。 提案手法は,従来のIVGAEフレームワークをベースとして,貿易ネットワークの時間的進化を捉え,短期的変動と長期的構造的依存関係を共同でモデル化するためのTAMA(Trade-Aware Momentum Aggregator)を組み込んだ。 運動量に基づく構造記憶機構により、予測安定性と性能がさらに向上する。 さらに、ベイジアン最適化は、キーハイパーパラメータを自動的に調整し、様々な貿易シナリオにおける一般化を強化するために用いられる。 5つの作物固有のデータセットに対する大規模な実験により、IVGAE-TAMAは時間的依存を効果的にモデル化することで静的なIVGAEや他の動的ベースラインを著しく上回り、ベイズ最適化はIVGAE-TAMA-BOの性能をさらに向上させることが示された。 これらの結果は、グローバル取引ネットワークにおける構造予測のための堅牢でスケーラブルなソリューションとして提案されたフレームワークを強調しており、食品セキュリティ監視および政策決定支援のアプリケーションに強い可能性を秘めている。

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)
• Spatio-Temporal Demand Prediction for Food Delivery Using Attention-Driven Graph Neural Networks [0.29465623430708915]
  本稿では、食品配送環境をグラフとしてモデル化することにより、空間的時間的依存を捉えた注目に基づくグラフニューラルネットワークフレームワークを提案する。 このフレームワークはスケーラブルで適応的なソリューションを提供し、都市部のフードデリバリーオペレーションにおいて、積極的な艦隊配置、資源配分、ディスパッチ最適化をサポートする。
  論文  参考訳（メタデータ） (2025-07-21T05:10:32Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• GNN-Based Candidate Node Predictor for Influence Maximization in Temporal Graphs [3.3853959586196645]
  本稿では,グラフネットワークとBidirectional Long Short-Term Memory (BiLSTM)モデルを統合する学習ベースアプローチを提案する。 BiLSTMは、過去と将来のネットワーク状態からパターンを分析し、時間の経過とともに変更への適応性を保証します。 本手法は,時間的ダイナミクスの理解が不可欠であるバイラルマーケティングやソーシャルネットワーク分析などの分野において,特に有効である。
  論文  参考訳（メタデータ） (2025-03-31T04:28:37Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• Context-Conditioned Spatio-Temporal Predictive Learning for Reliable V2V Channel Prediction [25.688521281119037]
  下流タスクの最適化には,V2Vチャネル状態情報(CSI)予測が不可欠である。 従来の予測手法は、時間、帯域幅、アンテナ(TX、RX)空間の予測を含む4次元(4D)CSIに重点を置いている。 本研究では,4次元CSIデータ内の依存関係をキャプチャするコンテキスト条件付き時間予測学習手法を提案する。
  論文  参考訳（メタデータ） (2024-09-16T04:15:36Z)
• Temporal Link Prediction via Adjusted Sigmoid Function and 2-Simplex Sructure [7.478752512210058]
  調整されたシグモイド関数と2-simplex structure(TLPSS)を用いた新しい時間リンク予測モデルを提案する。 提案モデルでは,他のベースライン手法と比較して平均15%のリンク予測性能が向上する。
  論文  参考訳（メタデータ） (2022-06-20T01:32:02Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
  我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。 我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
  論文  参考訳（メタデータ） (2021-05-17T15:33:25Z)

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。