論文の概要: A Network Science Perspective on Evaluating Deep Graph Generative Models

• arxiv url: http://arxiv.org/abs/2609.01015v1
• Date: Tue, 01 Sep 2026 10:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.548218
• Title: A Network Science Perspective on Evaluating Deep Graph Generative Models
• Title（参考訳）: 深部グラフ生成モデル評価におけるネットワーク科学の視点
• Authors: Tianrui Mao, Abele Malan, Megha Khosla, Lydia Chen, Huijuan Wang,
• Abstract要約: ディープグラフ生成モデルは現実世界のネットワークから直接複雑な構造分布を学習し、より現実的な合成ネットワークを生成する。 実際のソーシャルコンタクトネットワークはプライバシー上のリスクのために共有できないため、人工ネットワークは疫病対策の開発と評価の代替手段として機能する。 2つのディープグラフ生成モデルにより,実世界のネットワークの構造特性によく似た合成ネットワークが生成され,効果的な免疫戦略の特定が可能であることが確認された。
• 参考スコア（独自算出の注目度）: 1.1515813571394018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional network models from network science, such as the Erdos-Renyi and configuration models, generate random networks that reproduce few selected topological properties observed in real-world networks. Deep graph generative models emerge as a data-driven approach, leveraging deep neural network architectures to learn complex structural distributions directly from real-world networks to generate more realistic synthetic networks. Because real social contact networks cannot be shared due to privacy risks, synthetic networks serve as an alternative for developing and evaluating epidemic mitigation strategies. In this work, we evaluate deep graph generative models as well as the configuration from a network science perspective by assessing both the topological similarity between generated and real-world networks and their utility in identifying effective node immunization strategies to sup- press epidemic/misinformation spreading. It is found that two deep graph generative models produce synthetic networks that closely resemble the structural properties of real-world networks, enabling them to identify effective immunization strategies.
• Abstract（参考訳）: Erdos-Renyiや構成モデルのようなネットワーク科学からの伝統的なネットワークモデルは、現実世界のネットワークで観測されるいくつかの選択されたトポロジ特性を再現するランダムネットワークを生成する。 ディープグラフ生成モデルは、ディープニューラルネットワークアーキテクチャを活用して、現実世界のネットワークから直接複雑な構造分布を学習し、よりリアルな合成ネットワークを生成する、データ駆動のアプローチとして登場します。 実際のソーシャルコンタクトネットワークはプライバシー上のリスクのために共有できないため、人工ネットワークは疫病対策の開発と評価の代替手段として機能する。 本研究では,生成したネットワークと実世界のネットワーク間のトポロジ的類似性と,スーパープレス流行/誤情報拡散に対する効果的なノード免疫戦略の同定に有用性を評価することにより,ネットワーク科学の観点からの深部グラフ生成モデルと構成を評価する。 2つのディープグラフ生成モデルにより,実世界のネットワークの構造特性によく似た合成ネットワークが生成され,効果的な免疫戦略の特定が可能であることが確認された。

関連論文リスト

• Efficient Synthetic Network Generation via Latent Embedding Reconstruction [5.202384944712403]
  本稿では,潜在空間ネットワークモデルに基づく合成ネットワーク生成フレームワークであるLatent Embedding Reconstruction (SyNGLER)によるSynthetic Network Generationを紹介する。 SyNGLERは、スパシティやノード次不均一性などのネットワークにおいて、ユニークな特性を保っている。 我々は,真のエッジ分布と合成エッジ分布との距離の整合性を発達させることによって理論的保証を与える。
  論文  参考訳（メタデータ） (2026-05-31T00:01:13Z)
• Chordless cycle filtrations for dimensionality detection in complex networks via topological data analysis [2.0898985386850817]
  本稿では,データ駆動方式でネットワークの次元性を推定することを目的とした,コードレスサイクルに基づくグラフの新しいデータ解析重み付け手法を提案する。 合成グラフデータベースで学習したニューラルネットワークアーキテクチャを用いて,ネットワーク次元を効果的に推定できることを示す。
  論文  参考訳（メタデータ） (2025-09-10T07:40:48Z)
• Generalized Factor Neural Network Model for High-dimensional Regression [50.554377879576066]
  複素・非線形・雑音に隠れた潜在低次元構造を持つ高次元データセットをモデル化する課題に取り組む。 我々のアプローチは、非パラメトリック回帰、因子モデル、高次元回帰のためのニューラルネットワークの概念のシームレスな統合を可能にする。
  論文  参考訳（メタデータ） (2025-02-16T23:13:55Z)
• Learning the mechanisms of network growth [42.1340910148224]
  動的ネットワークのための新しいモデル選択法を提案する。 データは9つの最先端のランダムグラフモデルをシミュレートすることによって生成される。 提案された機能は、計算しやすく、分析的に抽出可能で、解釈可能である。
  論文  参考訳（メタデータ） (2024-03-31T20:38:59Z)
• Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
  シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。 我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
  論文  参考訳（メタデータ） (2024-03-20T00:24:23Z)
• Symbolic Regression of Dynamic Network Models [0.0]
  ネットワーク生成器の新たな定式化とパラメータフリー適合関数を導入し、生成されたネットワークを評価する。 我々は、時間変化ネットワークのルールを作成し、検索するためにジェネレータのセマンティクスを変更することで、このアプローチを拡張した。 このフレームワークは、主要都市の地下鉄ネットワーク、ストリートネットワークの地域、人工知能における文学のセマンティック共起ネットワークの3つの経験的なデータセットで使用された。
  論文  参考訳（メタデータ） (2023-12-15T00:34:45Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Firefly Neural Architecture Descent: a General Approach for Growing Neural Networks [50.684661759340145]
  firefly neural architecture descentは、ニューラルネットワークを漸進的かつ動的に成長させるための一般的なフレームワークである。 ホタルの降下は、より広く、より深くネットワークを柔軟に成長させ、正確だがリソース効率のよいニューラルアーキテクチャを学習するために応用できることを示す。 特に、サイズは小さいが、最先端の手法で学習したネットワークよりも平均精度が高いネットワークを学習する。
  論文  参考訳（メタデータ） (2021-02-17T04:47:18Z)
• Modeling Dynamic Heterogeneous Network for Link Prediction using Hierarchical Attention with Temporal RNN [16.362525151483084]
  我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。 階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。 リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
  論文  参考訳（メタデータ） (2020-04-01T17:16:47Z)

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。