論文の概要: Fundamental Dynamical Units for Physics-Informed Structural Inference from Perturbation Time-Series in Networked Systems

• arxiv url: http://arxiv.org/abs/2609.11934v1
• Date: Fri, 12 Jun 2026 11:58:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.493654
• Title: Fundamental Dynamical Units for Physics-Informed Structural Inference from Perturbation Time-Series in Networked Systems
• Title（参考訳）: ネットワークシステムにおける摂動時間系列からの物理インフォームド構造推論の基本力学ユニット
• Abstract要約: 基本力学ユニット(FDUs):構成可能なプリミティブとして3ノードの相互作用パターンに署名する。 FDU は相互作用仮説空間を有限で、構成的で、抽出可能な表現に変換する。 物理インフォームドニューラル常微分方程式にFDU正規化構造推論を組み込む。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In networked dynamical systems, the parameter of primary mechanistic interest is signed interaction structure. Recovering this structure from perturbation time-series data is a fundamental identification problem, compounded by three coupled obstacles: the combinatorial complexity of interaction architectures, ambiguity of causal attribution under limited interventions, and state-dependent dynamics that confound structural inference. Each obstacle is structural in origin and calls for a structural solution. We address these challenges by adopting a reductionist approach, introducing Fundamental Dynamical Units (FDUs): signed three-node interaction patterns as composable primitives that convert the interaction hypothesis space into a finite, constructive, and tractable representation. We show that local interaction structure determines the perturbation conditions required to disentangle direct from relayed influence, making intervention design a structural consequence of the FDU representation. We embed FDU-regularized structural inference within a physics-informed neural ordinary differential equation (ODE) whose governing-equation constraint transforms structural hypotheses into verifiable dynamical predictions, enabling joint recovery of interaction structure and perturbation-resolved trajectories. Validated on synthetic benchmarks with known ground truth, the framework supports structural commitment, expressed through FDU primitives, motif-prescribed intervention design, and physics-informed learning, as a principled basis for mechanistically interpretable inference in networked dynamical systems.
• Abstract（参考訳）: ネットワーク力学系では、一次機械的関心のパラメータは符号付き相互作用構造である。 摂動時系列データからこの構造を復元することは、相互作用アーキテクチャの組合せ複雑性、限られた介入下での因果帰属のあいまいさ、構造的推論を補う状態依存力学という、3つの結合された障害によって合成される基本的な識別問題である。 それぞれの障害は起源が構造的であり、構造的解を求める。 基本力学ユニット(FDU)を導入し,これらの課題に対処する: 相互作用仮説空間を有限で構成的かつトラクタブルな表現に変換する構成可能なプリミティブとして,3ノードの相互作用パターンに署名する。 局所的な相互作用構造は、直接的影響から遠ざけるために必要な摂動条件を決定づけ、干渉設計をFDU表現の構造的結果とすることを示す。 FDU-regularized structure inference in a Physics-informed Neural ordinary differential equation (ODE) that governance-equation constraintss structure hypothess into verible dynamical predictions, allowing joint recovery of interaction structure and perturbation-resolved trajectories。 FDUプリミティブ、モチーフで規定された介入設計、および物理インフォームドラーニングを通じて表現された構造的コミットメントを、ネットワーク化された力学系における機械的に解釈可能な推論の原理的基礎としてサポートする。

関連論文リスト

• Structural Inference under Hidden Agents [9.734309279937236]
  軌道に基づく構造推論は有望な結果を得たが、従来の定式化では、すべてのモデル化されたエージェントの軌道が利用可能であると仮定されている。 既存の研究では、未確認ノードの推定、部分的な観測による構造的推測、および欠落値の計算が検討されている。 我々はこの問題を隠蔽剤による構造推論として定式化する。
  論文  参考訳（メタデータ） (2026-09-16T02:45:20Z)
• From Application-Layer Simulation to Native Meta-Architecture: Structural Tension as an Endogenous Driver for Heterogeneous AI Evolution [0.0]
  現在の大規模言語モデル(LLM)は、推論セッション間でステートレスである。 本稿では,アプリケーション層認知プロトコルをネイティブなメタアーキテクチャに組み込むための理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-07-07T13:34:27Z)
• Structure Over Nonlinearity: Explicit Interaction Architectures for Dynamical Learning [9.644668801623192]
  本稿では、内部状態と波動インスパイアされた相互作用構造に基づく、明示的な構造的動的単位のクラスを紹介する。 ウェーブベースの計算原理に触発され、提案されたユニットは厳密に因果関係の組織を採用する。 パラメータ最適化の限られた条件下であっても、深度は表現品質と一般化を改善することを示す。
  論文  参考訳（メタデータ） (2026-06-17T14:12:27Z)
• TopoOR: A Unified Topological Scene Representation for the Operating Room [54.50897207203292]
  手術シーングラフは外科手術室(OR)の複雑さを実体の構造とその関連性に抽象化する。 マルチモーダルな手術室を高次構造としてモデル化する新しいパラダイムであるTopoORを紹介する。 また,多様体の構造やモジュラリティに特有な特徴を明示的に保存する高次アテンション機構を提案する。
  論文  参考訳（メタデータ） (2026-03-10T10:19:42Z)
• Variational Physics-Informed Ansatz for Reconstructing Hidden Interaction Networks from Steady States [0.0]
  本研究では、不均一な定常状態データから直接一般相互作用演算子を推定する変分物理学インフォームド・アンサッツ(VPIA)を提案する。 VPIAは力学の定常的制約を微分可能な変分表現に埋め込む。 物理由来の定常状態残留を最小化することにより、基礎となる結合を再構築する。
  論文  参考訳（メタデータ） (2025-12-06T08:16:32Z)
• Loss-Complexity Landscape and Model Structure Functions [53.92822954974537]
  我々はコルモゴロフ構造関数 $h_x(alpha)$ を双対化するためのフレームワークを開発する。 情報理論構造と統計力学の数学的類似性を確立する。 構造関数と自由エネルギーの間のルジャンドル・フェンシェル双対性を明確に証明する。
  論文  参考訳（メタデータ） (2025-07-17T21:31:45Z)
• Compositional Structures in Neural Embedding and Interaction Decompositions [101.40245125955306]
  ニューラルネットワークにおけるベクトル埋め込みにおける線形代数構造間の基本的な対応について述べる。 相互作用分解」の観点から構成構造の特徴づけを導入する。 モデルの表現の中にそのような構造が存在するためには、必要かつ十分な条件を確立する。
  論文  参考訳（メタデータ） (2024-07-12T02:39:50Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。