論文の概要: Integrative Learning of Dynamically Evolving Multiplex Graphs and Nodal Attributes Using Neural Network Gaussian Processes with an Application to Dynamic Terrorism Graphs

• arxiv url: http://arxiv.org/abs/2603.20962v1
• Date: Sat, 21 Mar 2026 22:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.169111
• Title: Integrative Learning of Dynamically Evolving Multiplex Graphs and Nodal Attributes Using Neural Network Gaussian Processes with an Application to Dynamic Terrorism Graphs
• Title（参考訳）: ニューラルネットワークガウス過程を用いた動的進化型多重グラフと結節属性の統合学習と動的テロリズムグラフへの応用
• Authors: Jose Rodriguez-Acosta, Sharmistha Guha, Lekha Patel, Kurtis Shuler,
• Abstract要約: 多重グラフとニューダル属性の動的共進化を探索することは、犯罪とテロのネットワークにおいて魅力的な問題である。 本稿では,多重グラフ層と結節属性を統合するための方法論的枠組みを提案する。 このアプローチでは、グラフ構造とノード属性との共進化を捉えるために、時間変化の潜伏因子を用いる。
• 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: Exploring the dynamic co-evolution of multiplex graphs and nodal attributes is a compelling question in criminal and terrorism networks. This article is motivated by the study of dynamically evolving interactions among prominent terrorist organizations, considering various organizational attributes like size, ideology, leadership, and operational capacity. Statistically principled integration of multiplex graphs with nodal attributes is significantly challenging due to the need to leverage shared information within and across layers, account for uncertainty in predicting unobserved links, and capture temporal evolution of node attributes. These difficulties increase when layers are partially observed, as in terrorism networks where connections are deliberately hidden to obscure key relationships. To address these challenges, we present a principled methodological framework to integrate the multiplex graph layers and nodal attributes. The approach employs time-varying stochastic latent factor models, leveraging shared latent factors to capture graph structure and its co-evolution with node attributes. Latent factors are modeled using Gaussian processes with an infinitely wide deep neural network-based covariance function, termed neural network Gaussian processes (NN-GP). The NN-GP framework on latent factors exploits the predictive power of Bayesian deep neural network architecture while propagating uncertainty for reliability. Simulation studies highlight superior performance of the proposed approach in achieving inferential objectives. The approach, termed as dynamic joint learner, enables predictive inference (with uncertainty) of diverse unobserved dynamic relationships among prominent terrorist organizations and their organization-specific attributes, as well as clustering behavior in terms of friend-and-foe relationships, which could be informative in counter-terrorism research.
• Abstract（参考訳）: 多重グラフと結節属性の動的共進化を探索することは、犯罪とテロのネットワークにおいて魅力的な問題である。 本稿は、規模、イデオロギー、リーダーシップ、運用能力といった様々な組織的特性を考慮して、著名なテロリスト組織間の動的に進化する相互作用の研究に動機づけられる。 統計的に原理化された多重グラフとノード属性の統合は、層内および層間における共有情報の利用、観測されていないリンクの予測の不確実性、およびノード属性の時間的進化のキャプチャの必要性により、非常に困難である。 これらの困難は、レイヤーが部分的に観察されるときに増大し、不明瞭な重要な関係に意図的に接続が隠されているテロネットワークのようにである。 これらの課題に対処するため、多重グラフ層と結節属性を統合するための方法論的枠組みを提案する。 このアプローチは時間変化の確率潜在因子モデルを採用し、グラフ構造とノード属性との共進化を捉えるために共有潜在因子を利用する。 潜在因子は、ニューラルネットワークガウス過程(NN-GP)と呼ばれる、無限に広いディープニューラルネットワークに基づく共分散関数を持つガウス過程を用いてモデル化される。 潜伏要因に関するNN-GPフレームワークは、ベイジアンディープニューラルネットワークアーキテクチャの予測力を利用して、信頼性の不確実性を伝播する。 シミュレーション研究は、推論目的を達成するための提案手法の優れた性能を強調している。 ダイナミック・ジョイント・ラーナー(Dynamic Joint Learner)と呼ばれるこの手法は、著名なテロリスト組織と組織固有の属性の間の様々な未観測のダイナミックな関係の予測的推論(不確実性を伴う)と、対テロ研究において有益な友人と親しい関係のクラスタリング行動を可能にする。

関連論文リスト

• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Hierarchical Uncertainty-Aware Graph Neural Network [3.4498722449655066]
  この研究は、階層的不確実性認識グラフニューラルネットワーク(HU-GNN)という新しいアーキテクチャを導入している。 マルチスケールな表現学習、原則的不確実性推定、および単一エンドツーエンドフレームワークにおける自己監督型埋め込み多様性を統一する。 具体的には、HU-GNNはノードクラスタを適応的に形成し、個々のノードからより高いレベルまでの複数の構造スケールで不確実性を推定する。
  論文  参考訳（メタデータ） (2025-04-28T14:22:18Z)
• Global Convergence and Rich Feature Learning in $L$-Layer Infinite-Width Neural Networks under $μ$P Parametrization [66.03821840425539]
  本稿では, テンソル勾配プログラム(SGD)フレームワークを用いた$L$層ニューラルネットワークのトレーニング力学について検討する。 SGDにより、これらのネットワークが初期値から大きく逸脱する線形独立な特徴を学習できることを示す。 このリッチな特徴空間は、関連するデータ情報をキャプチャし、トレーニングプロセスの収束点が世界最小であることを保証する。
  論文  参考訳（メタデータ） (2025-03-12T17:33:13Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Resilient Graph Neural Networks: A Coupled Dynamical Systems Approach [12.856220339384269]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフベースのタスクに対処するための重要なコンポーネントとして、自らを確立している。 彼らの顕著な成功にもかかわらず、GNNは相変わらず敵の攻撃の形で摂動を入力できる。 本稿では, 連成力学系のレンズを用いて, 対向摂動に対するGNNの強化手法を提案する。
  論文  参考訳（メタデータ） (2023-11-12T20:06:48Z)
• GDBN: a Graph Neural Network Approach to Dynamic Bayesian Network [7.876789380671075]
  スパースDAGの学習を目的としたスコアに基づくグラフニューラルネットワーク手法を提案する。 グラフニューラルネットワークを用いた手法は,動的ベイジアンネットワーク推論を用いた他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-01-28T02:49:13Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。