論文の概要: A Network-driven Framework for Public Event Forecasting via Dynamic Interaction Network Evolution

• arxiv url: http://arxiv.org/abs/2608.15488v1
• Date: Sun, 16 Aug 2026 02:32:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.319953
• Title: A Network-driven Framework for Public Event Forecasting via Dynamic Interaction Network Evolution
• Title（参考訳）: 動的インタラクションネットワークの進化によるパブリックイベント予測のためのネットワーク駆動型フレームワーク
• Abstract要約: 本稿では,イベントを動的インタラクションネットワークとして表現するネットワーク駆動型ディープラーニングフレームワークであるauto-ibDLMを提案する。 13の現実世界のパブリックイベントデータセットと2つの公開可能な動的ネットワークデータセットの実験は、Auto-ibDLMが予測精度と一般化能力の両方において、最先端の手法を一貫して上回っていることを示している。
• 参考スコア（独自算出の注目度）: 14.423339183942495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective public event forecasting is essential for intelligent service systems, enabling proactive risk management, adaptive resource allocation, and timely decision-making. In many real-world scenarios, the evolution of public events is driven by dynamic interactions among participants. Motivated by this observation, this paper proposes auto-ibDLM, a network-driven deep learning framework that represents events as dynamic interaction networks and predicts public event evolution through participant growth forecasting. The proposed framework adopts a hybrid representation learning strategy that first represents network evolution using network science-informed structural metrics and subsequently transforms the resulting structural feature vectors into compact and robust latent representations through an auto-learning layer. A GRU-based temporal forecasting module is then employed to capture temporal dependencies and predict future participant growth. Extensive experiments on 13 real-world public event datasets and two publicly available dynamic network datasets demonstrate that auto-ibDLM consistently outperforms representative state-of-the-art methods in both forecasting accuracy and generalization capability, achieving over 97% accuracy in public event forecasting. Comprehensive experimental analyses further validate the effectiveness of the proposed hybrid representation learning strategy and demonstrate its representation-level interpretability. These results indicate that auto-ibDLM provides an effective and practical solution for intelligent public event forecasting.
• Abstract（参考訳）: 効果的な公開イベント予測はインテリジェントなサービスシステムにとって不可欠であり、積極的なリスク管理、アダプティブリソース割り当て、タイムリーな意思決定を可能にします。 多くの実世界のシナリオでは、公開イベントの進化は参加者間の動的相互作用によって引き起こされる。 本稿では,イベントを動的相互作用ネットワークとして表現し,参加者の成長予測を通じてイベントの進化を予測するネットワーク駆動型ディープラーニングフレームワークであるauto-ibDLMを提案する。 提案するフレームワークは,まずネットワーク科学で表現された構造的指標を用いてネットワーク進化を表現するハイブリッド表現学習戦略を採用し,その結果得られた構造的特徴ベクトルを,自動学習層を通じてコンパクトかつ堅牢な潜在表現に変換する。 GRUベースの時間的予測モジュールを使用して、時間的依存関係をキャプチャし、将来の参加者の成長を予測する。 13の現実世界のパブリックイベントデータセットと2つのパブリックな動的ネットワークデータセットに関する大規模な実験は、Auto-ibDLMが、予測精度と一般化能力の両方において、代表的最先端メソッドを一貫して上回り、公開イベント予測において97%以上の精度を達成することを示した。 総合的な実験分析により、提案したハイブリッド表現学習戦略の有効性をさらに検証し、その表現レベルの解釈可能性を示す。 これらの結果から,Auto-ibDLMはインテリジェントなイベント予測に有効かつ実用的なソリューションであることが示された。

関連論文リスト

• Going with the Flow: Koopman Behavioral Models as Implicit Planners for Visuo-Motor Dexterity [1.6865201067073452]
  本稿では,一様挙動モデル (UBMs) を紹介する。 Koopman-UBM は UBM の最初のインスタンス化であり、潜在視覚的特徴と固有受容的特徴の結合フローが構造化線形システムによって制御される統一表現を学習する。
  論文  参考訳（メタデータ） (2026-02-07T07:18:00Z)
• GoIRL: Graph-Oriented Inverse Reinforcement Learning for Multimodal Trajectory Prediction [35.36975133932852]
  周囲のエージェントの軌道予測は自動運転の課題である。 本稿では,ベクトル化された文脈表現を備えたIRLベースの予測器であるグラフ指向逆強化学習フレームワークを提案する。 提案手法は,大規模Argoverse & nuScenesモーション予測ベンチマークにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-06-26T09:46:53Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Uniting contrastive and generative learning for event sequences models [51.547576949425604]
  本研究では,2つの自己指導型学習手法 – 例えば,コントラスト学習と,潜在空間におけるマスクイベントの復元に基づく生成的アプローチ – の統合について検討する。 いくつかの公開データセットで行った実験は、シーケンス分類と次点型予測に焦点を合わせ、統合された手法が個々の手法と比較して優れた性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-08-19T13:47:17Z)
• TDNetGen: Empowering Complex Network Resilience Prediction with Generative Augmentation of Topology and Dynamics [14.25304439234864]
  本稿では,ネットワークトポロジとダイナミックスの生成的データ拡張を通じてこの問題に対処するために設計された,複雑なネットワークに対する新しいレジリエンス予測フレームワークを提案する。 3つのネットワークデータセットの実験結果から,提案するフレームワークであるTDNetGenは,最大85%～95%の精度で高い予測精度を達成可能であることが示された。
  論文  参考訳（メタデータ） (2024-08-19T09:20:31Z)
• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• DySuse: Susceptibility Estimation in Dynamic Social Networks [2.736093604280113]
  本稿では,より現実的で,現実的な応用に有用な,動的ソーシャルネットワークにおける感受性推定というタスクを提案する。 構造的特徴モジュールを利用して、各グラフスナップショット上の影響拡散の構造的情報を独立にキャプチャする。 本フレームワークは,既存の動的グラフ埋め込みモデルよりも優れ,複数の影響拡散モデルにおいて良好な予測性能を有する。
  論文  参考訳（メタデータ） (2023-08-21T03:28:34Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Variational Structured Attention Networks for Deep Visual Representation Learning [49.80498066480928]
  空間的注意マップとチャネル的注意の両方を原則的に共同学習するための統合的深層フレームワークを提案する。 具体的には,確率的表現学習フレームワークに注目度の推定と相互作用を統合する。 ニューラルネットワーク内で推論ルールを実装し,確率パラメータとcnnフロントエンドパラメータのエンドツーエンド学習を可能にする。
  論文  参考訳（メタデータ） (2021-03-05T07:37:24Z)
• DSDNet: Deep Structured self-Driving Network [92.9456652486422]
  本稿では,1つのニューラルネットワークを用いて物体検出,動き予測,動き計画を行うDeep Structured Self-Driving Network (DSDNet)を提案する。 我々は,アクター間の相互作用を考慮し,社会的に一貫したマルチモーダル未来予測を生成する,深く構造化されたエネルギーベースモデルを開発する。
  論文  参考訳（メタデータ） (2020-08-13T17:54:06Z)
• EvolveGraph: Multi-Agent Trajectory Prediction with Dynamic Relational Reasoning [41.42230144157259]
  本稿では,関係構造を明示的に認識し,潜在相互作用グラフによる予測を行う汎用軌道予測フレームワークを提案する。 将来の行動の不確実性を考慮すると、モデルはマルチモーダルな予測仮説を提供するように設計されている。 トレーニング効率を向上し、収束を加速するだけでなく、モデル性能も向上する2段トレーニングパイプラインを導入する。
  論文  参考訳（メタデータ） (2020-03-31T02:49:23Z)

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。