論文の概要: Network Recovery from Cascade Data: A Debiased Jacobian-Based Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2606.07483v1
• Date: Fri, 05 Jun 2026 17:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.872751
• Title: Network Recovery from Cascade Data: A Debiased Jacobian-Based Machine Learning Approach
• Title（参考訳）: カスケードデータからネットワークを復元する: 偏りのあるヤコビアンに基づく機械学習アプローチ
• Authors: Lei Huang,
• Abstract要約: 本稿では,ネットワークリカバリのためのヤコビアンベースの機械学習フレームワークであるCascadeNetを提案する。 鍵となる考え方は、基礎となる影響構造は、一段階遷移関数のヤコビアンによって特徴づけられることである。 シミュレーションエクササイズと実世界の実証アプリケーションの両方でCascadeNetを検証する。
• 参考スコア（独自算出の注目度）: 6.9585728535923055
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many important outcomes unfold as dynamic cascades, including product adoption, disease spread, financial distress, and information diffusion. A central challenge is to recover the hidden influence network behind these cascades. Existing methods typically assume a specific diffusion model, and their performance degrades substantially when that assumption is misspecified. We propose CascadeNet, a Jacobian-based machine learning framework for network recovery that does not require specifying a diffusion mechanism. The key idea is that the underlying influence structure can be characterized by the Jacobian of the one-step transition function. CascadeNet first constructs a flexible estimator of the transition function, and further applies Neyman-orthogonal debiasing via the Riesz representer, so that the debiased Jacobian is $\sqrt{n}$-consistent and asymptotically normal, enabling formal inference on the network structure. We validate CascadeNet in both a simulation exercise and a real-world empirical application. In simulations, where the data-generating process is known, CascadeNet achieves the highest network recovery accuracy across nine common data-generating processes. In an empirical application to COVID-19 transmission across Spain's 52 provinces, CascadeNet recovers transmission networks that are significantly correlated with the true inter-province mobility network, whereas networks recovered by baseline methods show no significant alignment with the ground truth.
• Abstract（参考訳）: 製品の採用、病気の拡大、財政的苦痛、情報拡散など、動的なカスケードとして多くの重要な成果が生まれる。 中心的な課題は、これらのカスケードの背後にある隠れた影響ネットワークを回復することである。 既存の手法は通常、特定の拡散モデルを仮定し、その仮定が誤って特定された場合、その性能は著しく低下する。 本稿では,ネットワークリカバリのためのヤコビアンベースの機械学習フレームワークであるCascadeNetを提案する。 鍵となる考え方は、基礎となる影響構造は、一段階遷移関数のヤコビアンによって特徴づけられることである。 カスケードネットは最初、遷移関数のフレキシブルな推定器を構築し、さらにレイズ表現器を介してネイマン-直交デバイアス(Neyman-orthogonal debiasing)を適用し、デバイアスされたヤコビアンが$\sqrt{n}$-consistentで漸近的に正規であり、ネットワーク構造に対する形式的推論を可能にする。 シミュレーションエクササイズと実世界の実証アプリケーションの両方でCascadeNetを検証する。 データ生成プロセスが知られているシミュレーションでは、CascadeNetは9つの一般的なデータ生成プロセスで最も高いネットワーク回復精度を達成する。 スペイン52州を横断する新型コロナウイルス感染に対する実証的な応用として、カスケードネットは真の技術間モビリティネットワークと著しく相関する送信ネットワークを回復した。

関連論文リスト

• Adversarial generalization of unfolding (model-based) networks [0.0]
  本稿では,$l$-normの制約付き攻撃で乱れた場合の展開ネットワークの対角一般化について検討する。 これは展開ネットワークの対角一般化に関する最初の理論的解析である。 実世界のデータに関する一連の実験を行い、得られた理論を裏付ける結果を得た。
  論文  参考訳（メタデータ） (2025-09-18T19:17:07Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)
• Clustering-Based Interpretation of Deep ReLU Network [17.234442722611803]
  我々はReLU関数の非線形挙動が自然なクラスタリングを引き起こすことを認識している。 本稿では,完全連結フィードフォワードReLUニューラルネットワークの解釈可能性を高める手法を提案する。
  論文  参考訳（メタデータ） (2021-10-13T09:24:11Z)
• Deep Archimedean Copulas [98.96141706464425]
  ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。 我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
  論文  参考訳（メタデータ） (2020-12-05T22:58:37Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)
• Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
  本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。 本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。 実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
  論文  参考訳（メタデータ） (2020-01-18T13:32:18Z)

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。