論文の概要: PLATONT: Learning a Platonic Representation for Unified Network Tomography

• arxiv url: http://arxiv.org/abs/2511.15251v1
• Date: Wed, 19 Nov 2025 09:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.714566
• Title: PLATONT: Learning a Platonic Representation for Unified Network Tomography
• Title（参考訳）: PLATONT:統一ネットワークトモグラフィのためのプラトン表現学習
• Authors: Chengze Du, Heng Xu, Zhiwei Yu, Bo Liu, Jialong Li,
• Abstract要約: 本稿では、異なるネットワークインジケータを共有潜在ネットワーク状態の投影としてモデル化する統合フレームワークPLATONTを提案する。 合成および実世界のデータセットの実験により、PLATONTはリンク推定、トポロジ推論、交通予測において既存の手法より一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 7.800399349334518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network tomography aims to infer hidden network states, such as link performance, traffic load, and topology, from external observations. Most existing methods solve these problems separately and depend on limited task-specific signals, which limits generalization and interpretability. We present PLATONT, a unified framework that models different network indicators (e.g., delay, loss, bandwidth) as projections of a shared latent network state. Guided by the Platonic Representation Hypothesis, PLATONT learns this latent state through multimodal alignment and contrastive learning. By training multiple tomography tasks within a shared latent space, it builds compact and structured representations that improve cross-task generalization. Experiments on synthetic and real-world datasets show that PLATONT consistently outperforms existing methods in link estimation, topology inference, and traffic prediction, achieving higher accuracy and stronger robustness under varying network conditions.
• Abstract（参考訳）: ネットワークトモグラフィーは、外部観測からリンク性能、交通負荷、トポロジーなどの隠れたネットワーク状態を推測することを目的としている。 既存の手法の多くはこれらの問題を別々に解決し、一般化と解釈可能性を制限する限られたタスク固有の信号に依存する。 本稿では,複数のネットワークインジケータ(遅延,損失,帯域幅など)を共有潜在ネットワーク状態の投影としてモデル化する統合フレームワークPLATONTを提案する。 PLATONTはプラトン表現仮説(Platonic Representation hypothesis)によって導かれ、マルチモーダルアライメントとコントラスト学習を通じてこの潜伏状態を学ぶ。 共有潜在空間内で複数のトモグラフィータスクを訓練することにより、クロスタスクの一般化を改善するコンパクトで構造化された表現を構築する。 合成および実世界のデータセットの実験により、PLATONTはリンク推定、トポロジ推論、交通予測において既存の手法を一貫して上回り、ネットワーク条件の異なる場合、高い精度と強い堅牢性を達成することが示された。

関連論文リスト

• Hierarchical Frequency-Decomposition Graph Neural Networks for Road Network Representation Learning [17.71971203386826]
  道路網は、インテリジェント交通システムとその関連アプリケーションを支える重要なインフラである。 HiFiNetは、空間およびスペクトルモデリングを統一する新しい階層型周波数分解グラフニューラルネットワークである。
  論文  参考訳（メタデータ） (2025-11-16T08:48:02Z)
• Contrastive Network Representation Learning [20.236657764682715]
  ネットワーク表現学習は、ネットワークを低次元空間に埋め込み、構造的および意味的特性を保存しようとする。 本稿では,ネットワークエッジ埋め込みのための新しいコントラスト学習に基づく統計的アプローチを提案する。 本手法は,エッジ表現学習のための最小収束率を実現する。
  論文  参考訳（メタデータ） (2025-09-14T15:25:59Z)
• Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation [11.751952500567388]
  本研究では,複雑なトポロジカル環境におけるネットワークトラフィック予測の課題に焦点を当てた。 グラフ・コンテンポラル・ネットワーク(GCN)とGRU(Gated Recurrent Units)モデリング・アプローチを導入している。 提案モデルの有効性は,実世界のアビリーンネットワークトラフィックデータセットに関する総合的な実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-05-12T15:38:19Z)
• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Scalable Self-Supervised Representation Learning from Spatiotemporal Motion Trajectories for Multimodal Computer Vision [0.0]
  本稿では,GPSトラジェクトリから地理的位置の表現を学習するための自己教師付きラベルなし手法を提案する。 到達可能性埋め込みは意味論的に意味のある表現であり,精度・リコール曲線(AUPRC)測定値の領域を用いて測定すると,性能が4～23%向上することを示す。
  論文  参考訳（メタデータ） (2022-10-07T02:41:02Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Imposing Consistency for Optical Flow Estimation [73.53204596544472]
  プロキシタスクによる一貫性の導入は、データ駆動学習を強化することが示されている。 本稿では,光フロー推定のための新しい,効果的な整合性戦略を提案する。
  論文  参考訳（メタデータ） (2022-04-14T22:58:30Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Network Embedding via Deep Prediction Model [25.727377978617465]
  本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。 ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。 ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-04-27T16:56:00Z)
• Variational Structured Attention Networks for Deep Visual Representation Learning [49.80498066480928]
  空間的注意マップとチャネル的注意の両方を原則的に共同学習するための統合的深層フレームワークを提案する。 具体的には,確率的表現学習フレームワークに注目度の推定と相互作用を統合する。 ニューラルネットワーク内で推論ルールを実装し,確率パラメータとcnnフロントエンドパラメータのエンドツーエンド学習を可能にする。
  論文  参考訳（メタデータ） (2021-03-05T07:37:24Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。