論文の概要: Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics

• arxiv url: http://arxiv.org/abs/2610.04033v1
• Date: Fri, 02 Oct 2026 20:36:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:30:44.740581
• Title: Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics
• Title（参考訳）: 隠れた独立カスケードダイナミクス学習のためのグラフニューラルネットワーク
• Abstract要約: 情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
• 参考スコア（独自算出の注目度）: 50.02140519922548
• License:
• Abstract: Information and infectious diseases spread through social networks, but the spreading probabilities driving them are hard to estimate without per-node activation times. Applications seldom supply these, and inference must instead proceed through indirect and noisy proxies for the terminal infection states. We study this inverse problem on a fixed, known graph under the Hidden Independent Cascade (HIC) model, with one spreading probability per node rather than a single global rate, so the number of unknowns scales with the number of nodes. Seed sets and observation parameters are known, while activation times and terminal infection states are latent, and the observed-data likelihood requires marginalizing over every spreading outcome. We propose a simulation-based amortized estimator that recovers the full node-level parameter vector without reconstructing individual latent cascades. Repeated seed-conditioned symptom observations are summarized as Symptom-Aware Cascade Features (SACF), which combine empirical symptom statistics with neighborhood and structural information. SACF are mapped to parameters by SAGE-HC, a permutation-equivariant gated graph neural network whose learned gates attenuate neighborhood messages corrupted by false positives and false negatives, and training on simulated HIC realizations yields a reusable inverse map. As a benchmark under the same hidden observations, we extend the Dynamic Message Passing learning framework to the HIC emission model. On synthetic and empirical graphs the two methods separate by topology. DMP is highly accurate on trees, whereas SAGE-HC is substantially better on heterogeneous, loopy graphs under noisy terminal symptoms.
• Abstract（参考訳）: 情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 アプリケーションはこれらをほとんど供給せず、推論は感染状態の間接的およびノイズの多いプロキシを通過する必要がある。 この逆問題について,Hidden Independent Cascade (HIC) モデルに基づく固定された既知グラフ上で検討し,単一グローバルレートではなくノード毎に1つの拡散確率を持つため,未知数数はノード数とともにスケールする。 種子セットと観察パラメータは知られており、活性化時間と終末期感染状態は潜伏しており、観察されたデータ確率は、拡散するすべての結果に対して限界化を必要とする。 本研究では,個々の潜在カスケードを再構成することなく,完全ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。 経験的症状統計と近辺および構造情報を組み合わせたSACF(Syptom-Aware Cascade Features)として,繰り返しの種子条件による症状観察を要約した。 SACFは、置換同変ゲートグラフニューラルネットワークであるSAGE-HCによってパラメータにマッピングされ、学習ゲートは偽陽性と偽陰性により近隣のメッセージを減衰させ、シミュレーションされたHIC実現のトレーニングは再利用可能な逆写像をもたらす。 同じ隠れた観測に基づくベンチマークとして、動的メッセージパッシング学習フレームワークをHICエミッションモデルに拡張する。 合成グラフと経験グラフでは、2つの方法が位相によって分離される。 DMPは木では非常に正確であるが,SAGE-HCは雑音性終末症状下での不均一でループ性のあるグラフの方が有意に優れている。

関連論文リスト

• MUMINS: Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis [12.80647654676651]
  我々は,効率的な拡散フレームワークであるMUMINS(Metadata-conditioned Uncertainty-aware Medical Image Next-state Synthesis)を提案する。 ベースラインスキャンとフォローアップ残差を共同で拡散し、フォローアップスキャンを合成し、空間不確実性マップを同時に予測する。 臓器に依存しない設計で、同じアーキテクチャは、別々のデータセット固有の再トレーニングを通じて解剖学的に再利用される。
  論文  参考訳（メタデータ） (2026-09-15T13:32:37Z)
• Neural Posterior Estimation for Stochastic Epidemic Models Using Final Outcome Data [0.0]
  フィードフォワードニューラルネットワークによってパラメータ化されたlogNormal 後部近似は,様々な人口規模や送信体制で参照後部を正確に復元することを示す。 合成データセットと実際のアウトブレイクデータセットの両方のパフォーマンスは、一貫して強い。
  論文  参考訳（メタデータ） (2026-06-01T20:40:27Z)
• STAG-CN: Spatio-Temporal Apiary Graph Convolutional Network for Disease Onset Prediction in Beehive Sensor Networks [0.0]
  ハチのコロニーの被害は世界の受粉サービスを脅かすが、現在の監視システムはそれぞれの巣を孤立した単位として扱う。 本稿では,病気発生予測のための階層間関係をモデル化するグラフニューラルネットワークである,時空間グラフ畳み込みネットワーク(STAG-CN)を紹介する。
  論文  参考訳（メタデータ） (2026-03-15T16:13:01Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• A Simple Approximate Bayesian Inference Neural Surrogate for Stochastic Petri Net Models [0.0]
  後部分布フレームワークのニューラルネットワークに基づく近似を導入する。 我々のモデルは、Gilespie-simulated SPN realizations上で訓練された1D Convolutional Residual Networkを使用する。 20%の欠落事象を持つ合成SPNでは, RMSE = 0.108で速度関数係数を回復し, 従来のベイズ手法よりもかなり高速に動作する。
  論文  参考訳（メタデータ） (2025-07-14T18:31:19Z)
• Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs [61.226857589092]
  グラフ学習におけるノードのOOD検出は未探索のままである。 GNNSafeは、最先端の性能を持つグラフ領域にエネルギーベースの検出を適用した。 本稿では,学習過程をノード表現のためのトポロジ情報を利用するグラフエンコーダと,遅延空間で動作するエネルギーヘッドの2つの部分に分解するDeGEMを紹介する。
  論文  参考訳（メタデータ） (2025-02-25T07:20:00Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Identifying Peer Influence in Therapeutic Communities Adjusting for Latent Homophily [1.6385815610837167]
  薬物乱用や犯罪行為に対する対人的役割モデルの影響について検討した。 観測データに観測されていないホモフィリーが存在する場合のピアの影響を同定するために,潜時変動モデルを用いてネットワークをモデル化する。 以上の結果から,友人の卒業が住民の卒業に与える影響は,性別,人種,役割モデルの効果の定義によって異なることが示唆された。
  論文  参考訳（メタデータ） (2022-03-27T06:47:28Z)

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。