論文の概要: Learning Dynamic Stability Landscapes in Synchronization Networks

• arxiv url: http://arxiv.org/abs/2605.23708v1
• Date: Fri, 22 May 2026 14:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.398257
• Title: Learning Dynamic Stability Landscapes in Synchronization Networks
• Title（参考訳）: 同期ネットワークにおける動的安定景観の学習
• Authors: Christian Nauck, Junyou Zhu, Michael Lindner, Frank Hellmann,
• Abstract要約: 本稿では,同期行動のより深い洞察を提供する,安定景観の学習という新しい課題を提案する。 グラフトポロジから直接ノードごとのターゲットとしてイメージライクな風景を学習する。 GNNはトポロジを符号化し、CNNデコーダはノードごとの画像をレンダリングする。
• 参考スコア（独自算出の注目度）: 1.1749564892273827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The robustness of synchronization is typically characterized by scalar, per-node stability indices whose dependence on topology is studied via network science or graph neural networks (GNNs). We propose a novel upstream task, learning stability landscapes, which provide deeper insights into synchronization behavior and from which many such scalar indices can be derived. Crucially, we pioneer a graph-to-image prediction paradigm: learning image-like landscapes as per-node targets directly from graph topology, a formulation we are not aware of having been established elsewhere in the literature. To support this task, we release two datasets of 10,000 graphs each at 20 and 100 nodes with per-node landscape labels, based on a conceptual oscillator model, capturing power grid synchronization behavior. A GNN encodes topology and a CNN decoder renders per-node images, learned end-to-end with good in-distribution accuracy, generalizing across graph sizes and to realistic power grid topologies. This demonstrates that stability landscapes, while beyond the reach of conventional network science, are learnable from topology and open new avenues for moving beyond scalar stability indices in biology, neuroscience, and power grids.
• Abstract（参考訳）: 同期の堅牢性は一般に、トポロジーへの依存がネットワーク科学またはグラフニューラルネットワーク(GNN)を介して研究されるスカラー、ノードごとの安定性指標によって特徴づけられる。 そこで我々は,同期動作の深い洞察と,そのようなスカラー指標を導出することのできる新しい上流タスクである,安定性のランドスケープの学習を提案する。 重要なことに、我々はグラフトポロジから直接ノード単位のターゲットとしてイメージライクな風景を学習するグラフ・ツー・イメージの予測パラダイムを開拓した。 このタスクを支援するために、概念振動子モデルに基づいて、20ノードと100ノードのそれぞれ1万グラフのデータセットをノードごとのランドスケープラベルでリリースし、電力グリッド同期挙動をキャプチャする。 GNNはトポロジを符号化し、CNNデコーダはノードごとの画像をレンダリングする。 これは、従来のネットワーク科学の範囲を超えて、安定性の景観がトポロジから学習可能であり、生物学、神経科学、電力網のスカラー安定性指標を超えて移動するための新しい道が開かれたことを示している。

関連論文リスト

• A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction [0.5836991649815993]
  スパースで継続的な進化を続けるネットワークにおけるリンクの予測は、ネットワーク科学における中心的な課題である。 本研究では,候補リンクを囲む部分グラフを抽出することで,Temporal Graph Networksフレームワークを改善する。 スパースCDRデータセットの実験により、我々の手法は標準のTGNよりも平均精度を2.6%向上させることが示された。
  論文  参考訳（メタデータ） (2026-02-15T17:16:47Z)
• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• DURENDAL: Graph deep learning framework for temporal heterogeneous networks [0.5156484100374057]
  時間的異種ネットワーク(THN)は、多くの現実世界の応用を特徴付ける進化的ネットワークである。 THNのためのグラフ深層学習フレームワークであるDURENDALを提案する。
  論文  参考訳（メタデータ） (2023-09-30T10:46:01Z)
• Learning to Identify Graphs from Node Trajectories in Multi-Robot Networks [15.36505600407192]
  本稿では,グローバル収束保証付きグラフトポロジを効率的に発見する学習ベースアプローチを提案する。 マルチロボット生成および群れ処理におけるグラフの同定におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-10T07:09:12Z)
• Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
  グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。 GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。 本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T15:54:42Z)
• 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)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。