論文の概要: Net-Ev$^2$: A Generative Simulator for Network Event Evolution
- arxiv url: http://arxiv.org/abs/2606.12494v1
- Date: Wed, 10 Jun 2026 12:41:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.367113
- Title: Net-Ev$^2$: A Generative Simulator for Network Event Evolution
- Title（参考訳）: Net-Ev$^2$:ネットワークイベント進化のための生成シミュレータ
- Authors: Guangyu Wang, Zhaonan Wang,
- Abstract要約: Net-Ev$2$は、シミュレーションでネットワークトポロジを保存しながらイベントキューを共同で活用する新しい生成シミュレータである。
推論時に、Net-Ev$2$は自然言語のイベント入力のみを使用してシミュレーションを生成することができる。
Net-Ev$2$-6.5Mは、4つの大規模道路網をまたいだ整列イベントとネットワークトラフィックデータのマルチモーダルベンチマークである。
- 参考スコア（独自算出の注目度）: 7.536729190422687
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reducing real-world trial and error has long been a central goal of decision making, and generative simulators advance this goal by modeling the evolution of future states. An even more challenging yet meaningful task is simulating how disturbance events (e.g., accidents) propagate their impacts across real-world networks. The existing approaches fall short of modeling both structured attributes and unstructured semantics of events, and capturing topological structures in simulating network event evolution. Therefore, we are motivated to propose Net-Ev$^2$ ($\underline{\textbf{Net}}$work $\underline{\textbf{Ev}}$ent $\underline{\textbf{Ev}}$olution), a novel generative simulator that jointly leverages event cues while preserving network topology in simulations. Specifically, the framework consists of two stages, namely structure-guided masked pre-training and topology-aware diffusion process, which is achieved by U-Net-like graph downsampling and upsampling during denoising. At inference time, Net-Ev$^2$ can generate simulations using natural-language event input only, with greater flexibility for practical usage. Furthermore, we introduce Net-Ev$^2$-6.5M, a multimodal benchmark of aligned event and network traffic data across four large-scale road networks, as well as a new topology-aware metric, namely JL-MMD, to evaluate topological fidelity in generated network dynamics. Extensive experiments demonstrate the state-of-the-art performance and strong generalization ability of Net-Ev$^2$. Code is made available at https://github.com/Guangyu4/Net-Ev-2.
- Abstract（参考訳）: 現実の試行錯誤を減らすことが意思決定の中心的目標であり、生成シミュレータは将来の状態の進化をモデル化することによってこの目標を前進させてきた。
さらに難しい課題は、障害イベント(例えば事故)が現実世界のネットワークにまたがってどのように影響を伝播するかをシミュレートすることだ。
既存のアプローチでは、構造化属性とイベントの非構造化セマンティクスの両方をモデル化できず、ネットワークイベントの進化をシミュレートするトポロジ構造をキャプチャする。
そこで我々はNet-Ev$^2$$$\underline{\textbf{Net}}$work $\underline{\textbf{Ev}}$ent $\underline{\textbf{Ev}}$olutionを提案する。
具体的には、構造誘導マスクによる事前学習と、U-Netのようなグラフダウンサンプリングとデノーミング時のアップサンプリングによって実現されるトポロジ対応拡散という2つの段階から構成される。
推論時に、Net-Ev$^2$は自然言語イベント入力のみを使用してシミュレーションを生成できる。
さらに,Net-Ev$^2$-6.5Mは,大規模道路網を横断するイベントおよびネットワークトラフィックデータのマルチモーダルベンチマークであり,生成したネットワーク力学におけるトポロジ的忠実度を評価するために,新たなトポロジ対応計量であるJL-MMDを導入する。
大規模実験はNet-Ev$^2$の最先端性能と強力な一般化能力を示す。
コードはhttps://github.com/Guangyu4/Net-Ev-2で公開されている。
関連論文リスト
- DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。
メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。
EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
論文 参考訳（メタデータ） (2026-04-13T03:19:36Z) - Pb4U-GNet: Resolution-Adaptive Garment Simulation via Propagation-before-Update Graph Network [47.339059283454844]
ガーメントシミュレーションは、仮想トライオンからデジタルヒューマンモデリングまで、コンピュータビジョンやグラフィックスの様々な応用に基礎を置いている。
既存のアプローチでは、クロスレゾリューションの一般化が貧弱で、高分解能メッシュ上での大幅な性能劣化を示す。
我々はPb4U-GNetを紹介した。Pb4U-GNetは機能更新からメッセージの伝搬を分離する分解能適応フレームワークである。
論文 参考訳（メタデータ） (2026-01-21T15:50:30Z) - Building a Graph-based Deep Learning network model from captured traffic
traces [4.671648049111933]
技術ネットワークモデルの現状は離散事象シミュレーション(DES)に基づいているか依存している
DESは非常に正確であり、計算コストも高く、並列化も困難であり、高性能ネットワークをシミュレートするには実用的ではない。
我々は,実際のネットワークシナリオの複雑さをより正確に捉えるために,グラフニューラルネットワーク(GNN)ベースのソリューションを提案する。
論文 参考訳（メタデータ） (2023-10-18T11:16:32Z) - Fast inference of latent space dynamics in huge relational event
networks [0.0]
巨大イベントネットワークに対処可能な確率に基づくアルゴリズムを提案する。
本研究では,解釈可能な潜在空間に埋め込まれたネットワークコミュニティのダイナミクスを推定するための階層的戦略を提案する。
大規模ネットワークでフレームワークを実現するには、機械学習最適化の方法論を借りる。
論文 参考訳（メタデータ） (2023-03-29T15:18:56Z) - Machine Learning model for gas-liquid interface reconstruction in CFD
numerical simulations [59.84561168501493]
流体の体積(VoF)法は多相流シミュレーションにおいて2つの不混和性流体間の界面を追跡・見つけるために広く用いられている。
VoF法の主なボトルネックは、計算コストが高く、非構造化グリッド上での精度が低いため、インタフェース再構成のステップである。
一般的な非構造化メッシュ上でのインタフェース再構築を高速化するために,グラフニューラルネットワーク(GNN)に基づく機械学習拡張VoF手法を提案する。
論文 参考訳（メタデータ） (2022-07-12T17:07:46Z) - Simulating Network Paths with Recurrent Buffering Units [4.7590500506853415]
我々は,送信者が提供する時間変化負荷に応じて,エンドツーエンドのパケット遅延値を生成するモデルを求める。
本稿では,リカレントバッファリングユニット(Recurrent Buffering Unit)と呼ばれる新しいRNNスタイルのアーキテクチャに物理ネットワークパスの意味を埋め込む,ネットワークシミュレーションのための新しいグレーボックスアプローチを提案する。
論文 参考訳（メタデータ） (2022-02-23T16:46:31Z) - Neural Capacitance: A New Perspective of Neural Network Selection via
Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。
本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。
我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文 参考訳（メタデータ） (2022-01-11T20:53:15Z) - Optimising simulations for diphoton production at hadron colliders using
amplitude neural networks [0.0]
高多重度散乱過程における行列要素の近似にニューラルネットワークを用いることを検討する。
本研究では,ハドロンコライダー観測装置に適用可能な実測シミュレーション法を開発した。
論文 参考訳（メタデータ） (2021-06-17T13:24:36Z) - Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。
本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。
モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文 参考訳（メタデータ） (2020-12-31T18:48:58Z) - Online Estimation and Community Detection of Network Point Processes for
Event Streams [12.211623200731788]
ネットワークモデリングにおける共通のゴールは、ノード間に存在する潜在コミュニティ構造を明らかにすることである。
本稿では,ネットワーク上の動的イベント到着に基づく潜在構造を推定する高速なオンライン変分推定アルゴリズムを提案する。
オンライン推論は、コミュニティリカバリの観点から、オンライン以外の変種に匹敵する性能が得られることを実証する。
論文 参考訳（メタデータ） (2020-09-03T15:39:55Z) - Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid
Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。
ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文 参考訳（メタデータ） (2020-07-08T21:23:19Z)
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。