論文の概要: Geodesics of Dynamic Graphs for Regime Change Detection

• arxiv url: http://arxiv.org/abs/2606.07151v1
• Date: Fri, 05 Jun 2026 11:08:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.70421
• Title: Geodesics of Dynamic Graphs for Regime Change Detection
• Title（参考訳）: レジーム変化検出のための動的グラフの測地学
• Authors: William Cappelletti, Étienne Voutaz, Pascal Frossard,
• Abstract要約: 動的ネットワークにおける従来の変化点検出は、定常状態間の急激な遷移を仮定する。 我々は、レジームを時間グラフにおけるコヒーレントダイナミクスの周期として定義し、適宜定義されたグラフ空間における測地線に沿った軌跡として特徴づける。 我々の研究は、グラフ空間における進化するレシエーション間の変化をモデル化し、検出する最初のものであり、複雑な時間グラフデータを解析するための現実的で強力なツールを提供する。
• 参考スコア（独自算出の注目度）: 31.82325662704267
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Traditional change point detection in dynamic networks assumes abrupt transitions between stationary states, overlooking scenarios of continuous evolution which arise in most real-world applications, such as social networks or physical systems. We address this gap by formally defining regimes as periods of coherent dynamics in temporal graphs, which we characterize as trajectories along geodesics in a suitably defined graph space. This original perspective allows us to define regime changes as significant drifts in dynamics, either toward new trajectories or with pace changes. We leverage graph regression methods to measure the cumulative distance of sequences of observed graphs from the estimated geodesics between their endpoints, in the relevant graph space, which we can combine with change point detection algorithms. We present experiments on dynamic networks, with changing trajectories and varying speeds, in which we outperform state of the art change point detection models. Then, we analyse mobility data during the Covid-19 pandemic, and show that our assumptions on regular network evolution lead to change points that are more aligned to external events compared to the outcomes of baseline methods. Our work is the first to model and detect changes between evolving regimes in graph space, providing a realistic and powerful tool for analyzing complex temporal graph data.
• Abstract（参考訳）: 動的ネットワークにおける従来の変化点検出は、定常状態間の急激な遷移を前提としており、ソーシャルネットワークや物理システムのような現実世界のほとんどのアプリケーションで発生する継続的進化のシナリオを見越す。 このギャップを、時間グラフにおけるコヒーレントダイナミクスの周期として正式に定義することで解決し、適宜定義されたグラフ空間における測地線に沿った軌跡として特徴付ける。 この元々の視点は、状態変化を、新しい軌道やペース変化へ向けて、動的に重要なドリフトとして定義することができる。 グラフ回帰法を用いて,各端点間の推定測地線から観測されたグラフ列の累積距離を,関連するグラフ空間において測定し,変化点検出アルゴリズムと組み合わせる。 動的ネットワーク上での軌道変化と速度の変化による実験を行い,現状変化点検出モデルより優れた性能を示す。 次に、Covid-19パンデミック時のモビリティデータを分析し、通常のネットワーク進化に関する仮定が、ベースライン手法の結果よりも外部イベントに整合した変化点をもたらすことを示す。 我々の研究は、グラフ空間における進化するレシエーション間の変化をモデル化し、検出する最初のものであり、複雑な時間グラフデータを解析するための現実的で強力なツールを提供する。

関連論文リスト

• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Dynamic Graph Representation Learning via Edge Temporal States Modeling and Structure-reinforced Transformer [5.093187534912688]
  本稿では,動的グラフ表現学習のための新しいフレームワークであるRecurrent Structure-Reinforced Graph Transformer (RSGT)を紹介する。 RSGTは、繰り返し学習パラダイムを通じて、グラフトポロジと進化力学の両方をコードする時間ノード表現をキャプチャする。 離散動的グラフ表現学習におけるRSGTの優れた性能を示し、動的リンク予測タスクにおける既存の手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-04-20T04:12:50Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Latent Evolution Model for Change Point Detection in Time-varying Networks [11.442584422147368]
  グラフベースの変化点検出(CPD)は、時間変化ネットワークにおける異常グラフの発見において、不可能な役割を担っている。 実際には、ソーシャルネットワーク、トラフィックネットワーク、レーティングネットワークといった現実世界のグラフは、時間とともに常に進化している。 潜在進化モデルを用いた動的グラフの新しいCPD法を提案する。
  論文  参考訳（メタデータ） (2022-12-17T07:39:35Z)
• Trajectory Flow Map: Graph-based Approach to Analysing Temporal Evolution of Aggregated Traffic Flows in Large-scale Urban Networks [9.211287787104048]
  本稿では,都市全体の交通動態を効果的に可視化し,キャラクタリゼーションするグラフベースのデータ表現手法を提案する。 そこで本研究では,大規模都市ネットワークにおける交通動態をよりよく理解するために,軌道に基づくネットワークトラフィック解析手法を開発した。
  論文  参考訳（メタデータ） (2022-12-06T12:33:04Z)
• Graph similarity learning for change-point detection in dynamic networks [15.694880385913534]
  グラフスナップショットの時間的シーケンスである動的ネットワークについて考察する。 このタスクは、しばしばネットワーク変更点検出と呼ばれ、不正検出や物理モーションモニタリングといった多くの応用がある。 我々は、特定のネットワーク領域に適応し、変更を遅延なくローカライズできるオンラインネットワーク変更点検出法を設計する。
  論文  参考訳（メタデータ） (2022-03-29T12:16:38Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• A Survey on Embedding Dynamic Graphs [0.0]
  我々は動的グラフ埋め込みを概観し,その基礎と最近の進歩について論じる。 問題設定に焦点をあて,動的グラフ埋め込みの形式的定義を導入する。 我々は、埋め込み、トポロジ的進化による分類、特徴進化、ネットワーク上のプロセスによって包含される様々な動的挙動を探索する。
  論文  参考訳（メタデータ） (2021-01-04T20:35:26Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。