論文の概要: Efficient Synthetic Network Generation via Latent Embedding Reconstruction

• arxiv url: http://arxiv.org/abs/2606.00934v1
• Date: Sun, 31 May 2026 00:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.986619
• Title: Efficient Synthetic Network Generation via Latent Embedding Reconstruction
• Title（参考訳）: 遅延埋め込み再構成による効率的な合成ネットワーク生成
• Authors: Feifan Jiang, Yinan Bu, Shihao Wu, Gongjun Xu, Ji Zhu,
• Abstract要約: 本稿では,潜在空間ネットワークモデルに基づく合成ネットワーク生成フレームワークであるLatent Embedding Reconstruction (SyNGLER)によるSynthetic Network Generationを紹介する。 SyNGLERは、スパシティやノード次不均一性などのネットワークにおいて、ユニークな特性を保っている。 我々は,真のエッジ分布と合成エッジ分布との距離の整合性を発達させることによって理論的保証を与える。
• 参考スコア（独自算出の注目度）: 5.202384944712403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network data are ubiquitous across the social sciences, biology, and information systems. Generating realistic synthetic network data has broad applications from network simulation to scientific discovery. However, many existing black-box approaches for network generation tend to overfit observed data while overlooking characteristic network structure, and incur substantial computational overhead at scale. These practical challenges call for synthetic network generation methods that are both efficient and capable of capturing structural properties of networks. In this paper, we introduce Synthetic Network Generation via Latent Embedding Reconstruction (SyNGLER), a general and efficient framework for synthetic network generation that builds on latent space network models. Given an observed network, SyNGLER first learns low-dimensional latent node embeddings via a latent space network model and then reconstructs the latent space by building a distribution-free generator over these embeddings. For generation, SyNGLER first samples (or resamples) node embeddings from the generator in the latent space and then produces synthetic networks using the latent space network model. Through the latent space framework, SyNGLER preserves unique characteristics in networks such as sparsity and node degree heterogeneity, while allowing for efficient training with lower computational cost than many existing deep architectures. We provide theoretical guarantees by developing consistency results on the distance between the true and synthetic edge distributions. Empirical studies further demonstrate the effectiveness of SyNGLER, which efficiently produces networks that better preserve key network characteristics such as network moments and degree distributions compared with existing approaches. Code is available at https://github.com/FeifanJiang/syngler.
• Abstract（参考訳）: ネットワークデータは、社会科学、生物学、情報システムで広く使われている。 リアルな合成ネットワークデータを生成することは、ネットワークシミュレーションから科学的発見まで幅広い応用がある。 しかし、ネットワーク生成のための多くの既存のブラックボックスアプローチは、特徴的なネットワーク構造を見落としながら観測されたデータに過度に適合する傾向にあり、大規模な計算オーバーヘッドを発生させる傾向にある。 これらの実践的な課題は、ネットワークの構造的特性を効果的かつ効果的に捉えることができる合成ネットワーク生成方法である。 本稿では、潜時空間ネットワークモデルに基づく合成ネットワーク生成のための汎用的で効率的なフレームワークである潜時埋め込み再構成(SyNGLER)による合成ネットワーク生成について紹介する。 観測されたネットワークが与えられた場合、SyNGLERはまず潜時空間ネットワークモデルを介して低次元の潜時ノード埋め込みを学習し、これらの埋め込みの上に分布のないジェネレータを構築することで潜時空間を再構築する。 生成のために、SyNGLERはまず、潜時空間のジェネレータからノードの埋め込みをサンプリング(再サンプル)し、潜時空間ネットワークモデルを用いて合成ネットワークを生成する。 潜在空間フレームワークを通じて、SyNGLERは分散性やノード次数不均一性といったネットワークのユニークな特性を保ちつつ、既存の多くのディープアーキテクチャよりも計算コストの低い効率的なトレーニングを可能にしている。 我々は,真のエッジ分布と合成エッジ分布との距離の整合性を発達させることによって理論的保証を与える。 ネットワークモーメントや次数分布などの重要なネットワーク特性を,既存手法と比較して効率よく維持するネットワークを効率よく生成するSyNGLERの有効性を実証した。 コードはhttps://github.com/FeifanJiang/syngler.comで入手できる。

関連論文リスト

• Synthetic generation of online social networks through homophily [44.05636851266385]
  本研究は,X などの合成マイクロブロッギング・ソーシャル・ネットワークを生み出すホモフィリー・ベースのアルゴリズムを提案する。 このフレームワークは4つのスケール(103-106ノード)で合成OSNを生成し、400万人のユーザからなる現実のBlueskyネットワークに対してそれらをベンチマークすることで検証される。
  論文  参考訳（メタデータ） (2025-09-02T19:09:08Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Symbolic Regression of Dynamic Network Models [0.0]
  ネットワーク生成器の新たな定式化とパラメータフリー適合関数を導入し、生成されたネットワークを評価する。 我々は、時間変化ネットワークのルールを作成し、検索するためにジェネレータのセマンティクスを変更することで、このアプローチを拡張した。 このフレームワークは、主要都市の地下鉄ネットワーク、ストリートネットワークの地域、人工知能における文学のセマンティック共起ネットワークの3つの経験的なデータセットで使用された。
  論文  参考訳（メタデータ） (2023-12-15T00:34:45Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Realistic Synthetic Social Networks with Graph Neural Networks [1.8275108630751837]
  合成ソーシャルネットワークのためのネットワーク生成のためのグラフニューラルネットワーク(GNN)モデルの可能性を評価する。 我々は,現実的な合成ネットワークの挙動を評価するための,ソーシャルネットワーク固有の測定結果を含む。 我々は,GRAN(Gated Recurrent Attention Network)がソーシャルネットワークによく適用され,一般的なルールベースのRecursive-MATrix (R-MAT) 手法と比較すると,現実的な構造力学を再現しやすくなっていることがわかった。
  論文  参考訳（メタデータ） (2022-12-15T14:04:27Z)
• Synthetic Active Distribution System Generation via Unbalanced Graph Generative Adversarial Network [2.2749157557381245]
  Wasserstein GANの目的を持つ暗黙的な生成モデルは、合成三相非平衡な能動分布系接続を生成するように設計されている。 基本的な考え方は、実世界のシステムと線分の各フェーズにおけるランダムウォークの分布を学習することである。 いくつかのパワーアプリケーションを用いたケーススタディでは、提案フレームワークによって生成された合成アクティブネットワークが、現実世界のネットワークのほとんど全ての特徴を模倣できることが示されている。
  論文  参考訳（メタデータ） (2021-08-02T02:17:01Z)
• Clustered Federated Learning via Generalized Total Variation Minimization [83.26141667853057]
  本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。 我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。 私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
  論文  参考訳（メタデータ） (2021-05-26T18:07:19Z)
• Network Embedding via Deep Prediction Model [25.727377978617465]
  本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。 ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。 ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-04-27T16:56:00Z)
• Firefly Neural Architecture Descent: a General Approach for Growing Neural Networks [50.684661759340145]
  firefly neural architecture descentは、ニューラルネットワークを漸進的かつ動的に成長させるための一般的なフレームワークである。 ホタルの降下は、より広く、より深くネットワークを柔軟に成長させ、正確だがリソース効率のよいニューラルアーキテクチャを学習するために応用できることを示す。 特に、サイズは小さいが、最先端の手法で学習したネットワークよりも平均精度が高いネットワークを学習する。
  論文  参考訳（メタデータ） (2021-02-17T04:47:18Z)
• The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network Architectures [179.66117325866585]
  我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。 この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。 画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
  論文  参考訳（メタデータ） (2020-06-29T17:59:26Z)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)

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。