Fugu-MT 論文翻訳(概要): A temporal graph dissimilarity measure capturing epidemic spreading behavior

論文の概要: A temporal graph dissimilarity measure capturing epidemic spreading behavior

arxiv url: http://arxiv.org/abs/2610.16456v1
Date: Mon, 12 Oct 2026 09:17:28 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-18 23:08:35.001287
Title: A temporal graph dissimilarity measure capturing epidemic spreading behavior
Title（参考訳）: 拡散行動の把握のための時間グラフの相似性測定
Abstract要約: 本稿では,時間グラフ間の決定論的かつ微分可能な相似性であるエピデミック対応時間グラフ異性(EATGD)を紹介する。 EATGDは、伝染病ベースのグラフの相違を捉え、異種ネットワーク設定にまたがって一般化する。その微分可能性と計算効率は、EATGDを機械学習パイプラインに統合するのに適している。
参考スコア（独自算出の注目度）: 8.650512011385201
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Comparing temporal networks is a challenging problem in network analysis. Commonly adopted methods compare structural properties of temporal graphs and can be highly sensitive to the pre-selected features. However, temporal networks are the support of dynamical processes, and a process may take place in statistically indistinguishable ways on structurally different temporal graphs. In particular, a dissimilarity measure that compares temporal graphs based on how spreading processes unfold on them is highly desirable. In this work, we first define the Time-Shift DTW, a dissimilarity between epidemic curves that accounts for both differences in their shape and temporal shifts. We then introduce Epidemic-Aware Temporal Graph Dissimilarity (EATGD), a deterministic and differentiable dissimilarity between temporal graphs that combines an embedding-based temporal graph distance with a set of topological and temporal features. Its parameters are calibrated using stochastic SIR simulations to maximize the correlation with the Time-Shift DTW, after which graph comparisons require no further epidemic simulations. Using empirical human proximity networks from the SocioPatterns collaboration and synthetic temporal graphs, we show that EATGD captures epidemic-based graph dissimilarity and generalizes across heterogeneous network settings. Its differentiability and computational efficiency make EATGD suitable for integration into machine-learning pipelines and provide a potential loss function for training generative models to reproduce epidemic dynamics without requiring an exact reconstruction of fine-grained network structure.
Abstract（参考訳）: 時間的ネットワークを比較することは、ネットワーク分析において難しい問題である。一般的に採用されている手法は、時間グラフの構造特性を比較し、事前選択された特徴に非常に敏感である。しかし、時間的ネットワークは動的プロセスの支持であり、構造的に異なる時間的グラフ上で統計的に区別できない方法でプロセスが行われる可能性がある。特に、プロセスの展開方法に基づいて時間グラフを比較する相似性尺度は非常に望ましい。本研究ではまず,その形状と時間的変化の差を考慮に入れた,流行曲線の相違点である時間シフトDTWを定義する。次に、埋め込みに基づく時間グラフ距離と位相的および時間的特徴のセットを組み合わせた時間グラフ間の決定論的および微分可能な相似性である、エピデミック対応の時間グラフ相似性(EATGD)を導入する。そのパラメータを確率的SIRシミュレーションを用いて校正し、時間シフトDTWとの相関を最大化する。本研究では,SocioPatterns共同研究と合成時間グラフによる実証的人間近接ネットワークを用いて,疫病ベースのグラフの相違を捉え,不均一なネットワーク設定を一般化することを示す。その微分可能性と計算効率は、EATGDを機械学習パイプラインへの統合に適したものにし、細粒度ネットワーク構造の正確な再構築を必要とせずに、流行のダイナミクスを再現する生成モデルを訓練するための潜在的な損失関数を提供する。

関連論文リスト

A Temporally Augmented Graph Attention Network for Affordance Classification [0.254890465057467]
脳波時空間グラフ注意ネットワーク(EEG-tGAT)について紹介する。 EEG-tGATはGATv2の時間的に増強された定式化であり、相互作用配列の割当分類に適したものである。その結果,EEG-tGATはGATv2と比較して分類性能が向上した。
論文参考訳（メタデータ） (2026-04-11T10:44:16Z)
Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2024-03-14T02:26:10Z)
TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
論文参考訳（メタデータ） (2024-01-06T06:26:49Z)
Backbone-based Dynamic Graph Spatio-Temporal Network for Epidemic Forecasting [3.382729969842304]
正確な流行予測は伝染病の予防に重要な課題である。多くのディープラーニングベースのモデルは、空間情報を構築する際に静的グラフや動的グラフにのみフォーカスする。バックボーンに基づく動的グラフ時空間ネットワーク(BDGSTN)という新しいモデルを提案する。
論文参考訳（メタデータ） (2023-12-01T10:34:03Z)
Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
時間グラフは連続時間を通してノード間の動的相互作用を示す。本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
論文参考訳（メタデータ） (2023-04-15T08:17:18Z)
Learning the Evolutionary and Multi-scale Graph Structure for Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文参考訳（メタデータ） (2022-06-28T08:11:12Z)
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
論文参考訳（メタデータ） (2021-11-25T08:45:14Z)
Dynamic Graph Echo State Networks [11.900741510492754]
動的時間グラフの効率的な処理のためのグラフエコー状態ネットワークの拡張を提案する。我々のモデルは、トレーニングを必要とせず、各タイミングで更新される動的グラフのベクトル符号化を提供する。実験では、12の分散プロセス分類タスクにおいて、近似時間グラフカーネルに匹敵する精度を示す。
論文参考訳（メタデータ） (2021-10-16T12:51:50Z)
Efficient Variational Bayesian Structure Learning of Dynamic Graphical Models [19.591265962713837]
時間変化のグラフィカルモデルの推定は、様々な社会的、経済的、生物学的、工学的システムにおいて最重要となる。既存の手法では、グラフの間隔と時間的滑らかさを制御するパラメータを広範囲にチューニングする必要がある。我々はBADGEという低複素性チューニング自由ベイズアプローチを提案する。
論文参考訳（メタデータ） (2020-09-16T14:19:23Z)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。