論文の概要: Learning Multi-Order Block Structure in Higher-Order Networks

• arxiv url: http://arxiv.org/abs/2511.21350v1
• Date: Wed, 26 Nov 2025 12:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.098128
• Title: Learning Multi-Order Block Structure in Higher-Order Networks
• Title（参考訳）: 高次ネットワークにおける多次ブロック構造学習
• Authors: Kazuki Nakajima, Yuya Sasaki, Takeaki Uno, Masaki Aida,
• Abstract要約: 高次のネットワークは、3つ以上の実体間の相互作用を含む現実世界のシステムをモデル化するのに不可欠である。 最近の単純化である単階モデルでは、一つの親和性パターンが全ての順序の相互作用を制御していると仮定することで、この複雑さを緩和する。 本稿では,マルチオーダーブロック構造を導入することで,この仮定を緩和するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.867153093815104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Higher-order networks, naturally described as hypergraphs, are essential for modeling real-world systems involving interactions among three or more entities. Stochastic block models offer a principled framework for characterizing mesoscale organization, yet their extension to hypergraphs involves a trade-off between expressive power and computational complexity. A recent simplification, a single-order model, mitigates this complexity by assuming a single affinity pattern governs interactions of all orders. This universal assumption, however, may overlook order-dependent structural details. Here, we propose a framework that relaxes this assumption by introducing a multi-order block structure, in which different affinity patterns govern distinct subsets of interaction orders. Our framework is based on a multi-order stochastic block model and searches for the optimal partition of the set of interaction orders that maximizes out-of-sample hyperlink prediction performance. Analyzing a diverse range of real-world networks, we find that multi-order block structures are prevalent. Accounting for them not only yields better predictive performance over the single-order model but also uncovers sharper, more interpretable mesoscale organization. Our findings reveal that order-dependent mechanisms are a key feature of the mesoscale organization of real-world higher-order networks.
• Abstract（参考訳）: ハイパーグラフと呼ばれる高次ネットワークは、3つ以上のエンティティ間の相互作用を含む実世界のシステムをモデル化するのに不可欠である。 確率ブロックモデルは、メソスケール組織を特徴づけるための原則化されたフレームワークを提供するが、ハイパーグラフへの拡張は表現力と計算複雑性の間のトレードオフを伴う。 最近の単純化である単階モデルでは、一つの親和性パターンが全ての順序の相互作用を制御していると仮定することで、この複雑さを緩和する。 しかし、この普遍的な仮定は、順序に依存した構造的詳細を無視することができる。 本稿では,異なる親和性パターンが相互作用順序の異なるサブセットを統治する多階ブロック構造を導入することにより,この仮定を緩和するフレームワークを提案する。 本フレームワークは,マルチオーダー確率ブロックモデルに基づいて,アウトオブサンプルハイパーリンク予測性能を最大化する対話順序の集合の最適分割を探索する。 多様な実世界のネットワークを分析した結果,マルチオーダーブロック構造が一般的であることが判明した。 それらの説明は、単階モデルよりも優れた予測性能を得るだけでなく、よりシャープで解釈可能なメソスケールの組織を明らかにする。 以上の結果から,秩序に依存したメカニズムが,現実の高次ネットワークのメソスケール組織の重要な特徴であることが判明した。

関連論文リスト

• Assemble Your Crew: Automatic Multi-agent Communication Topology Design via Autoregressive Graph Generation [91.17994756436259]
  大規模言語モデル(LLM)に基づくマルチエージェントシステム(MAS)は、多様な領域にわたる複雑な問題を扱うための強力なソリューションとして登場した。 既存のアプローチは、事前に定義されたエージェントセットとハードコードされた相互作用構造を持つテンプレートグラフ修正パラダイムに依存しているため、基本的に制限されている。 協調グラフをスクラッチから構築することで、このパラダイムを運用する新しい自己回帰モデルであるARG-Designerを提案する。
  論文  参考訳（メタデータ） (2025-07-24T09:17:41Z)
• Broad Spectrum Structure Discovery in Large-Scale Higher-Order Networks [1.7273380623090848]
  本稿では,大規模ハイパーグラフにおいて,メソスケールの広いスペクトルを効率的に表現し,発見する確率モデルについて紹介する。 低ランク表現を用いたクラス間の潜時相互作用による観測ノードの相互作用をモデル化することにより、我々はリッチな構造パターンを抽出する。 提案モデルは,最先端手法によるリンク予測を改善し,多様な実世界のシステムにおける解釈可能な構造を発見する。
  論文  参考訳（メタデータ） (2025-05-27T20:34:58Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,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） (2025-05-26T07:02:17Z)
• Topological Deep Learning with State-Space Models: A Mamba Approach for Simplicial Complexes [4.787059527893628]
  本稿では,Mamba状態空間モデルをバックボーンとして利用して,単純な複素数を扱うように設計された新しいアーキテクチャを提案する。 提案手法は, 隣接セルをベースとしたノードのシーケンスを生成し, ランクに関わらず, 上位構造間の直接通信を可能にする。
  論文  参考訳（メタデータ） (2024-09-18T14:49:25Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)

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。