論文の概要: ChaosNetBench: Benchmarking Spatio-Temporal Graph Neural Networks on Chaotic Lattice Dynamics
- arxiv url: http://arxiv.org/abs/2605.09676v1
- Date: Sun, 10 May 2026 17:45:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.365688
- Title: ChaosNetBench: Benchmarking Spatio-Temporal Graph Neural Networks on Chaotic Lattice Dynamics
- Title（参考訳）: ChaosNetBench:カオス格子ダイナミクスに基づく時空間グラフニューラルネットワークのベンチマーク
- Authors: Henok Tenaw Moges, Charalampos Skokos, Deshendran Moodley,
- Abstract要約: 本稿では,STGNNの性能研究のためのベンチマークデータセットと評価フレームワークであるChaosNetBench(CNB)を紹介する。
CNBは独立に調整可能な局所カオスを持つ標準写像の格子上に構築されている。
ローカル・グローバル・カオスの異なるレベルを扱うためにSTGNNアーキテクチャの容量を分析し比較する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spatio-temporal graph neural networks (STGNNs) are widely used for short-term forecasting in dynamic physical systems such as traffic and weather. However, the prevailing evaluation practice uses real world benchmark data sets in a single domain with a single fixed holdout splits, making it difficult to compare architectures across different dynamical regimes. We introduce ChaosNetBench (CNB), a synthetic benchmark dataset and evaluation framework for studying STGNN performance under controlled multidimensional chaotic dynamics. CNB is built on a lattice of coupled standard maps with independently tunable local chaos ($K$), coupling strength ($\varepsilon$), and system size ($N$), providing known topology and known dynamics across 96 system instances and 9{,}600 trajectories. We introduce chaos indicators, evaluation metrics and a protocol to analyze and compare the capacity of STGNN architectures to deal with different levels of local and global chaos. We illustrate the usage of the framework by analyzing 13 architectures (5 STGNNs and 8 non-graph baselines). The results reveal a regime dependent transition in which non-graph baselines (TCN, N-BEATS, iTransformer) remain competitive when there is low local chaos, while STGNNs (e.g., Graph WaveNet, D2STGNN, STAEformer) are generally more resilient to higher levels of local and global chaos. CNB provides a practical, reusable testbed for systematically comparing and analyzing the capacity of STGNN architectures to handle different levels of local and global chaos.
- Abstract（参考訳）: 時空間グラフニューラルネットワーク(STGNN)は交通や天気などの動的物理系の短期予測に広く用いられている。
しかし、一般的な評価手法では、1つの固定されたホールドアウト分割を持つ1つのドメインにおける実世界のベンチマークデータセットを使用するため、異なる動的レシエーション間のアーキテクチャを比較することは困難である。
制御された多次元カオス力学の下でSTGNNの性能を研究するためのベンチマークデータセットと評価フレームワークであるChaosNetBench(CNB)を紹介する。
CNBは、独立に調整可能な局所カオス(K$)、結合強度(\varepsilon$)、システムサイズ(N$)の格子上に構築されており、96のシステムインスタンスと9{,}600のトラジェクトリにわたる既知のトポロジと既知のダイナミクスを提供する。
カオスインジケータ、評価指標、STGNNアーキテクチャの能力を分析し比較するプロトコルを導入し、異なるレベルの局所的カオスとグローバル的カオスに対処する。
13のアーキテクチャ(5つのSTGNNと8つの非グラフベースライン)を解析し、フレームワークの利用について説明する。
その結果,非グラフベースライン (TCN, N-BEATS, iTransformer) が局所的カオスが低い場合に競争力を維持する体制依存的な遷移が明らかとなり,STGNN (Graph WaveNet, D2STGNN, STAEformer) は局所的カオスと大域的カオスのより高いレベルに対してより回復力を持つことがわかった。
CNBは、様々なレベルのローカルカオスとグローバルカオスを扱うために、STGNNアーキテクチャの容量を体系的に比較、分析するための実用的で再利用可能なテストベッドを提供する。
関連論文リスト
- Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics [40.190675168132124]
動的構造問題のサロゲートモデリングのためのGNNフレームワークであるGNSS(Graph Network-based Structure Simulator)を紹介する。
我々は、50kHzのハニング変調パルスで励起されたビームを含むケーススタディについて評価した。
その結果、数百の時間経過で問題の物理を正確に再現し、既存のGNNが収束しなかったり、有意義な予測を下さなければ、見つからない負荷条件に一般化することを示した。
論文 参考訳（メタデータ） (2025-10-29T16:47:24Z) - Learning Persistent Community Structures in Dynamic Networks via
Topological Data Analysis [2.615648035076649]
本稿では,コミュニティ間構造における時間的一貫性の整合性を考慮した新しいディープグラフクラスタリングフレームワークを提案する。
MFCは、ノード埋め込みを保存する行列分解に基づくディープグラフクラスタリングアルゴリズムである。
TopoRegは、時間間隔でコミュニティ間構造間のトポロジカルな類似性を維持するために導入された。
論文 参考訳（メタデータ） (2024-01-06T11:29:19Z) - SimCalib: Graph Neural Network Calibration based on Similarity between
Nodes [60.92081159963772]
グラフニューラルネットワーク(GNN)は、さまざまなアプリケーションで実証されたグラフデータのモデリングにおいて、優れたパフォーマンスを示している。
理論解析により,GNNキャリブレーションとノードワイド類似性の関係について考察した。
SimCalibと名付けられた新しい校正フレームワークは、グローバルレベルとローカルレベルにおけるノード間の類似性を検討するために提案されている。
論文 参考訳（メタデータ） (2023-12-19T04:58:37Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - LSGNN: Towards General Graph Neural Network in Node Classification by
Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。
そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。
提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文 参考訳（メタデータ） (2023-05-07T09:06:11Z) - Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。
本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。
解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
論文 参考訳（メタデータ） (2022-10-28T16:59:51Z) - A Comprehensive Study on Large-Scale Graph Training: Benchmarking and
Rethinking [124.21408098724551]
グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である
本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。
提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
論文 参考訳（メタデータ） (2022-10-14T03:43:05Z) - Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting [6.428566223253948]
S-Temporal Latent Graph Structure Learning Network (ST-LGSL) を提案する。
このモデルは多層パーセプトロンとK-Nearest Neighborに基づくグラフを用いて、データ全体から潜在グラフトポロジ情報を学習する。
kNNの接地確率行列に基づく依存関係-kNNと類似度メートル法により、ST-LGSLは地理的およびノード類似度に重点を置くトップを集約する。
論文 参考訳（メタデータ） (2022-02-25T10:02:49Z) - Power Flow Balancing with Decentralized Graph Neural Networks [4.812718493682454]
汎用グリッド内の電力フローのバランスをとるために,グラフニューラルネットワーク(GNN)に基づくエンドツーエンドフレームワークを提案する。
提案するフレームワークは,ディープラーニングに基づく他の解法と比較して効率的であり,グリッドコンポーネントの物理量だけでなくトポロジにも頑健である。
論文 参考訳（メタデータ） (2021-11-03T12:14:56Z) - LGD-GCN: Local and Global Disentangled Graph Convolutional Networks [35.71362724342354]
Disentangled Graph Convolutional Network (DisenGCN)は、現実世界のグラフで発生する潜伏要因を解消するための奨励的なフレームワークである。
本稿では,Global Disentangled Graph Convolutional Network (LGD-GCN) を導入する。
論文 参考訳（メタデータ） (2021-04-24T06:40:35Z)
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。