論文の概要: Resource-Based Time and Cost Prediction in Project Networks: From Statistical Modeling to Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2511.15003v1
- Date: Wed, 19 Nov 2025 00:56:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-20 15:51:28.577451
- Title: Resource-Based Time and Cost Prediction in Project Networks: From Statistical Modeling to Graph Neural Networks
- Title（参考訳）: プロジェクトネットワークにおける資源ベース時間とコスト予測:統計的モデリングからグラフニューラルネットワークへ
- Authors: Reza Mirjalili, Behrad Braghi, Shahram Shadrokh Sikari,
- Abstract要約: 本研究では,プロジェクト活動のネットワーク表現をグラフニューラルネットワーク(GNN)と統合した新しい資源ベース予測フレームワークを提案する。
提案したGNNフレームワークは,従来の回帰法や木に基づく手法と比較して平均的な絶対誤差を23～31%削減する。
- 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: Accurate prediction of project duration and cost remains one of the most challenging aspects of project management, particularly in resource-constrained and interdependent task networks. Traditional analytical techniques such as the Critical Path Method (CPM) and Program Evaluation and Review Technique (PERT) rely on simplified and often static assumptions regarding task interdependencies and resource performance. This study proposes a novel resource-based predictive framework that integrates network representations of project activities with graph neural networks (GNNs) to capture structural and contextual relationships among tasks, resources, and time-cost dynamics. The model represents the project as a heterogeneous activity-resource graph in which nodes denote activities and resources, and edges encode temporal and resource dependencies. We evaluate multiple learning paradigms, including GraphSAGE and Temporal Graph Networks, on both synthetic and benchmark project datasets. Experimental results show that the proposed GNN framework achieves an average 23 to 31 percent reduction in mean absolute error compared to traditional regression and tree-based methods, while improving the coefficient of determination R2 from approximately 0.78 to 0.91 for large and complex project networks. Furthermore, the learned embeddings provide interpretable insights into resource bottlenecks and critical dependencies, enabling more explainable and adaptive scheduling decisions.
- Abstract（参考訳）: プロジェクトの期間とコストの正確な予測は、特にリソース制約と相互依存のタスクネットワークにおいて、プロジェクト管理の最も困難な側面の1つとして残っています。
CPM(Critical Path Method)やPERT(Program Evaluation and Review Technique)といった従来の分析手法は、タスク相互依存やリソースパフォーマンスに関する単純化された静的な仮定に依存している。
本研究では、プロジェクト活動のネットワーク表現をグラフニューラルネットワーク(GNN)と統合し、タスク、リソース、時間コストのダイナミクス間の構造的および文脈的関係を捉える新しいリソースベースの予測フレームワークを提案する。
このモデルは、ノードがアクティビティとリソースを表し、エッジが時間的およびリソース依存をエンコードする異種アクティビティ-リソースグラフとしてプロジェクトを表現する。
GraphSAGEやTemporal Graph Networksなど、複数の学習パラダイムを、総合的およびベンチマークプロジェクトデータセットで評価する。
実験結果から,GNNフレームワークは従来の回帰法やツリーベース法と比較して平均絶対誤差を平均23～31%低減し,大規模かつ複雑なプロジェクトネットワークにおける決定R2の係数を約0.78から0.91に改善した。
さらに、学習された埋め込みは、リソースのボトルネックと重要な依存関係に関する解釈可能な洞察を与え、より説明可能な適応的なスケジューリング決定を可能にします。
関連論文リスト
- Resource-Aware Neural Network Pruning Using Graph-based Reinforcement Learning [0.8890833546984916]
本稿では,グラフベースの観測空間をAutoMLフレームワークに統合することで,ニューラルネットワークのプルーニングに新たなアプローチを提案する。
本フレームワークは,対象ニューラルネットワークのグラフ表現を導入することにより,刈り込み処理を変換する。
作用空間に対しては、連続プルーニング比から細粒な二分作用空間へ遷移する。
論文 参考訳（メタデータ） (2025-09-04T15:05:05Z) - Dataless Neural Networks for Resource-Constrained Project Scheduling [0.0]
本稿では,資源制約型プロジェクトスケジューリング問題(RCPSP)に対する最初のデータレスニューラルネットワーク手法を提案する。
我々は、離散的なスケジューリング制約を勾配に基づく最適化に適した微分可能な目的に変換する完全な数学的枠組みを提供する。
本稿では,メモリ効率の高い高密度時間グリッド表現を含む,資源制約および資源制約の数学的定式化について述べる。
論文 参考訳（メタデータ） (2025-07-07T15:59:57Z) - Generative QoE Modeling: A Lightweight Approach for Telecom Networks [6.473372512447993]
本研究では,計算効率,解釈可能性,予測精度のバランスをとる軽量な生成モデリングフレームワークを提案する。
ベクトル量子化(VQ)を前処理技術として用いることにより、連続的なネットワーク機能は事実上離散的な分類記号に変換される。
このVQ-HMMパイプラインは、新しい未知のデータに対する確率的推論をサポートしながら、動的QoEパターンをキャプチャするモデルの能力を高める。
論文 参考訳（メタデータ） (2025-04-30T06:19:37Z) - Transfer Learning Under High-Dimensional Network Convolutional Regression Model [20.18595334666282]
ネットワーク畳み込み回帰(NCR)に基づく高次元移動学習フレームワークを提案する。
提案手法は、ソースとターゲットネットワーク間のドメインシフトに対処する2段階の転送学習アルゴリズムを含む。
Sina Weiboデータを用いたシミュレーションや実世界のアプリケーションを含む経験的評価は、予測精度を大幅に改善したことを示している。
論文 参考訳（メタデータ） (2025-04-28T16:52:28Z) - Learning Latent Graph Structures and their Uncertainty [63.95971478893842]
点予測損失の最小化は、潜時関係情報の適切な学習を保証するものではないことを示す。
本稿では,この共同学習課題を解決するサンプリングベース手法を提案する。
論文 参考訳（メタデータ） (2024-05-30T10:49:22Z) - Can Graph Learning Improve Planning in LLM-based Agents? [61.47027387839096]
言語エージェントにおけるタスクプランニングは、大規模言語モデル(LLM)の開発とともに重要な研究トピックとして浮上している。
本稿では,課題計画のためのグラフ学習に基づく手法について検討する。
我々のグラフ学習への関心は、注意のバイアスと自己回帰的損失が、グラフ上の意思決定を効果的にナビゲートするLLMの能力を妨げているという理論的な発見に起因している。
論文 参考訳（メタデータ） (2024-05-29T14:26:24Z) - Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [86.99017195607077]
統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。
我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
論文 参考訳（メタデータ） (2024-04-04T06:24:11Z) - Rethinking Resource Management in Edge Learning: A Joint Pre-training and Fine-tuning Design Paradigm [87.47506806135746]
一部のアプリケーションでは、エッジラーニングは、スクラッチから新しい2段階ラーニングへと焦点を移している。
本稿では,2段階のエッジ学習システムにおける共同コミュニケーションと計算資源管理の問題について考察する。
事前学習および微調整段階に対する共同資源管理の提案は,システム性能のトレードオフをうまくバランスさせることが示されている。
論文 参考訳（メタデータ） (2024-04-01T00:21:11Z) - DNNAbacus: Toward Accurate Computational Cost Prediction for Deep Neural
Networks [0.9896984829010892]
本稿では,29の古典的ディープニューラルネットワークの計算資源要求を調査し,計算コストを予測するための正確なモデルを構築した。
ネットワーク表現のための新しいネットワーク構造行列を用いた軽量な予測手法DNNAbacusを提案する。
実験の結果, 平均相対誤差 (MRE) は時間に対して0.9%, メモリに関しては2.8%であった。
論文 参考訳（メタデータ） (2022-05-24T14:21:27Z) - Graph-Based Neural Network Models with Multiple Self-Supervised
Auxiliary Tasks [79.28094304325116]
グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。
マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
論文 参考訳（メタデータ） (2020-11-14T11:09:51Z)
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。