論文の概要: Inferring Network Evolutionary History via Structure-State Coupled Learning

• arxiv url: http://arxiv.org/abs/2601.02121v1
• Date: Mon, 05 Jan 2026 13:53:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:23.158189
• Title: Inferring Network Evolutionary History via Structure-State Coupled Learning
• Title（参考訳）: 構造状態結合学習によるネットワーク進化史の推定
• Authors: En Xu, Shihe Zhou, Huandong Wang, Jingtao Ding, Yong Li,
• Abstract要約: 時間的アノテーションが制限された単一の最終スナップショットからネットワークの進化履歴を推測することは、基本的だが難しい。 本稿では、ネットワーク進化史推定のための追加的かつ広くアクセス可能な観測として、ネットワーク定常状態力学を利用する。 6つの実時間ネットワークの実験は、複数の動的プロセスで評価され、CS$2$は強いベースラインを一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 24.30094486091075
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inferring a network's evolutionary history from a single final snapshot with limited temporal annotations is fundamental yet challenging. Existing approaches predominantly rely on topology alone, which often provides insufficient and noisy cues. This paper leverages network steady-state dynamics -- converged node states under a given dynamical process -- as an additional and widely accessible observation for network evolution history inference. We propose CS$^2$, which explicitly models structure-state coupling to capture how topology modulates steady states and how the two signals jointly improve edge discrimination for formation-order recovery. Experiments on six real temporal networks, evaluated under multiple dynamical processes, show that CS$^2$ consistently outperforms strong baselines, improving pairwise edge precedence accuracy by 4.0% on average and global ordering consistency (Spearman-$ρ$) by 7.7% on average. CS$^2$ also more faithfully recovers macroscopic evolution trajectories such as clustering formation, degree heterogeneity, and hub growth. Moreover, a steady-state-only variant remains competitive when reliable topology is limited, highlighting steady states as an independent signal for evolution inference.
• Abstract（参考訳）: 時間的アノテーションが制限された単一の最終スナップショットからネットワークの進化履歴を推測することは、基本的だが難しい。 既存のアプローチはトポロジーのみに依存しており、しばしば不十分でノイズの多い手がかりを提供する。 本稿では、ネットワーク進化史推定のための追加かつ広くアクセス可能な観測として、ネットワーク定常状態(与えられた動的プロセスの下で収束したノード状態)を利用する。 そこで, CS$^2$を提案し, トポロジが定常状態をどのように変調するか, および2つの信号が生成順序回復のエッジ識別をどのように改善するかを明示的にモデル化する。 6つの実時間ネットワークの実験は、複数の動的プロセスで評価され、CS$^2$は強いベースラインを一貫して上回り、平均で4.0%、平均で7.7%向上している。 CS$^2$はまた、クラスタリング形成、次数不均一性、ハブ成長などのマクロな進化軌道をより忠実に回収する。 さらに、安定状態のみの変種は、信頼できるトポロジーが制限されたときに競争力があり、進化推論の独立した信号として定常状態が強調される。

関連論文リスト

• Parallel BiLSTM-Transformer networks for forecasting chaotic dynamics [24.960864709838436]
  本研究では,Transformer と Bidirectional Long Short-Term Memory Network を統合した並列予測フレームワークを提案する。 提案したハイブリッドモデルはデュアルブランチアーキテクチャを採用しており、Transformerブランチは主に長距離依存関係をキャプチャする。 結果は、提案されたハイブリッドフレームワークがタスク間でシングルブランチアーキテクチャの両方より優れていることを一貫して示している。
  論文  参考訳（メタデータ） (2025-10-27T16:17:10Z)
• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• EvoFormer: Learning Dynamic Graph-Level Representations with Structural and Temporal Bias Correction [16.798673711008906]
  動的グラフレベルの埋め込みは、ネットワークの構造的進化を捉えることを目的としている。 既存の手法は、構造的訪問バイアスと急激な進化盲点という、2つの重要かつ未調査の課題に直面している。 動的グラフレベルの表現学習に適した進化対応トランスフォーマーフレームワークであるEvoFormerを提案する。
  論文  参考訳（メタデータ） (2025-08-21T09:19:54Z)
• New Evidence of the Two-Phase Learning Dynamics of Neural Networks [59.55028392232715]
  時間ウィンドウ全体にわたってネットワーク状態を比較するインターバルワイズ・パースペクティブを導入する。 摂動に対するネットワークの応答はカオスから安定への移行を示す。 また、この遷移点の後に、モデルの関数軌道は狭い円錐形の部分集合に制限される。
  論文  参考訳（メタデータ） (2025-05-20T04:03:52Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• TEAM: Topological Evolution-aware Framework for Traffic Forecasting--Extended Version [24.544665297938437]
  交通予測のためのトポロジカル進化認識フレームワーク(TEAM)には、畳み込みと注意が組み込まれている。 TEAMは、予測精度を損なうことなく、既存の方法よりもはるかに低い再訓練コストを削減できる。
  論文  参考訳（メタデータ） (2024-10-24T22:50:21Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• Do Wider Neural Networks Really Help Adversarial Robustness? [92.8311752980399]
  モデルロバスト性は自然精度と摂動安定性のトレードオフと密接に関係していることを示す。 本稿では,ワイドモデル上でラムダ$を適応的に拡大するWidth Adjusted Regularization(WAR)手法を提案する。
  論文  参考訳（メタデータ） (2020-10-03T04:46:17Z)

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。