論文の概要: Towards Graph Foundation Models for Dynamics in Complex Networked Systems: Lessons from Super-Spreader Identification in Multilayer Networks

• arxiv url: http://arxiv.org/abs/2606.08306v1
• Date: Sat, 06 Jun 2026 19:30:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.032078
• Title: Towards Graph Foundation Models for Dynamics in Complex Networked Systems: Lessons from Super-Spreader Identification in Multilayer Networks
• Title（参考訳）: 複雑ネットワークシステムにおけるダイナミクスのグラフ基礎モデルに向けて:多層ネットワークにおける超スプレッダ同定から学ぶ
• Authors: Michał Czuba, Mateusz Stolarski, Adam Piróg, Piotr Bielak, Piotr Bródka,
• Abstract要約: 我々は、インダクティブ・クロスネットワークの一般化がグラフ基礎モデル(GFM)に必要な前提条件であると主張している。 ネットワークダイナミクスのためのGFMを構築するためのオープンな課題として,スケール,多層一般化,自己教師付き事前トレーニング,クロスタスク転送,ノード属性統合の5つを概説する。
• 参考スコア（独自算出の注目度）: 0.48933451909251774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network dynamics - including spreading, influence maximisation, and epidemic modelling - remain largely confined to the transductive paradigm, where models are trained on a single network and cannot be reused on unseen graphs without retraining. We argue that inductive cross-network generalisation is a necessary prerequisite for Graph Foundation Models (GFMs) in this domain and propose four design properties towards this goal. As a proof of concept, ts-net (TopSpreadersNetwork), trained solely on synthetic multilayer networks (MLNs), demonstrates zero-shot generalisation to real-world MLNs of varying size and layer count, outperforming classical heuristics and transductive baselines on three of four metrics. Based on ts-net's performance, we further outline five open challenges towards building GFMs for network dynamics: scale, many-layer generalisation, self-supervised pretraining, cross-task transfer, and node-attribute integration.
• Abstract（参考訳）: 拡散、影響の最大化、流行のモデリングを含むネットワークのダイナミクスは、モデルが単一のネットワークでトレーニングされ、再トレーニングなしでは見当たらないグラフで再利用できない、トランスダクティブパラダイムに大きく依存している。 我々は、この領域におけるグラフ基礎モデル(GFM)には、インダクティブ・クロスネットワークの一般化が必須条件であると主張し、この目標に向けて4つの設計特性を提案する。 ts-net(TopSpreadersNetwork)は、合成多層ネットワーク(MLN)のみを訓練し、異なる大きさと層数を持つ実世界のMLNへのゼロショット一般化を実証し、古典的ヒューリスティックスとトランスダクティブベースラインを4つのメトリクスのうち3つで上回った。 ts-netの性能に基づいて、スケール、多層一般化、自己教師付き事前学習、クロスタスク転送、ノード属性統合という、ネットワークダイナミクスのためのGFMを構築するためのオープンな5つの課題を概説する。

関連論文リスト

• Learning Ad Hoc Network Dynamics via Graph-Structured World Models [0.0]
  本稿では,ノードごとの遅延状態とノード間複数重み付けを併用したグラフ構造化再帰状態空間モデルを提案し,オフライン軌道から動的に学習する。 N=30から1000ノードのMANET、VANET、FANET、WSN、戦術的ネットワークにまたがる27以上の評価シナリオにおいて、学習ポリシーはN=50のトレーニングを受けただけで高い接続性を維持している。
  論文  参考訳（メタデータ） (2026-04-16T09:32:15Z)
• Ordered Topological Deep Learning: a Network Modeling Case Study [7.358417570496687]
  RouteNetの洗練された設計を再考し、トポロジカルディープラーニング(TDL)への隠れた接続を明らかにする。 本稿では,任意の離散位相空間において順序付き近傍の概念を導入する新しいTDLフレームワークOrdGCCNを提案する。 私たちの知る限りでは、これは最先端のTDL原則を現実に応用した最初の成功例です。
  論文  参考訳（メタデータ） (2025-03-20T23:15:12Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• Towards a graph-based foundation model for network traffic analysis [3.0558245652654907]
  基礎モデルはネットワークトラフィックの複雑さを把握でき、最小限の微調整で特定のタスクや環境に適応できる。 従来のアプローチではトークン化ヘックスレベルのパケットデータを使用していた。 本稿では,フローレベルでグラフベースの新しい代替案を提案する。
  論文  参考訳（メタデータ） (2024-09-12T15:04:34Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Generalization and Estimation Error Bounds for Model-based Neural Networks [78.88759757988761]
  スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。 我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:39:44Z)
• Graph-based Algorithm Unfolding for Energy-aware Power Allocation in Wireless Networks [27.600081147252155]
  我々は,無線通信網におけるエネルギー効率を最大化する新しいグラフ要約フレームワークを開発した。 無線ネットワークデータのモデルに望ましい特性である置換訓練について述べる。 結果は、異なるネットワークトポロジにまたがる一般化可能性を示している。
  論文  参考訳（メタデータ） (2022-01-27T20:23:24Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Beyond Localized Graph Neural Networks: An Attributed Motif Regularization Framework [6.790281989130923]
  InfoMotifは、グラフ上の半教師付き、モチーフ正規化、学習フレームワークである。 グラフニューラルネットワーク(GNN)におけるメッセージパッシングの2つの重要な制限を克服する。 6つの多種多様な実世界のデータセットで有意な増加(3-10%の精度)を示した。
  論文  参考訳（メタデータ） (2020-09-11T02:03:09Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)

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。