論文の概要: DISRL: Dual-Scale Incremental Semi-Supervised Reinforcement Learning for Dynamic Community Tracking

• arxiv url: http://arxiv.org/abs/2610.29315v1
• Date: Wed, 21 Oct 2026 07:12:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.267968
• Title: DISRL: Dual-Scale Incremental Semi-Supervised Reinforcement Learning for Dynamic Community Tracking
• Title（参考訳）: DISRL:動的コミュニティ追跡のための2次元インクリメンタル半教師強化学習
• Abstract要約: 動的ローカルコミュニティ検出は、グラフスナップショットを通じて指定されたシードノードの進化するコミュニティを追跡する。 時間的監視の不確実性と非有界エラーカスケードという2つの重要な課題に直面している。 本研究では,2段階のインクリメンタル半教師付き強化学習フレームワークdisRLを提案する。
• 参考スコア（独自算出の注目度）: 11.75966168312234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic local community detection tracks the evolving community of designated seed nodes across graph snapshots. However, it faces two critical challenges: temporal supervision uncertainty, where sparse and outdated labels fail to provide seed-specific guidance under topology changes, and unbounded error cascades, where sequential policy transfer accumulates exploration errors over long horizons. To address these challenges, we propose DISRL, a Dual-scale Incremental Semi-supervised Reinforcement Learning framework. DISRL introduces a supervision construction module that dynamically generates seed-specific guidance from sparse known communities, and a dual-scale community exploration module that stabilizes policy evolution by decoupling short-term adaptation within temporal windows from long-term parameter consolidation across windows. Furthermore, we construct a dynamic graph benchmark with diverse community evolution scenarios. Extensive experiments demonstrate that DISRL consistently outperforms state-of-the-art baselines under various dynamic settings.
• Abstract（参考訳）: 動的ローカルコミュニティ検出は、グラフスナップショットを通じて指定されたシードノードの進化するコミュニティを追跡する。 しかし、それは2つの重要な課題に直面している: 時間的監督の不確実性、スパースと時代遅れのラベルがトポロジの変化の下で種特異的なガイダンスを提供するのに失敗する、そして、シーケンシャルなポリシー転送が長い地平線上で探索エラーを蓄積する未境界エラーカスケード。 これらの課題に対処するために,2段階のインクリメンタル半教師付き強化学習フレームワークであるdisRLを提案する。 DISRLは、疎粒なコミュニティから種特異的ガイダンスを動的に生成する監視構築モジュールと、ウィンドウ間の長期パラメータ統合から時間窓内の短期適応を分離することにより、政策の進化を安定化する2段階のコミュニティ探索モジュールを導入している。 さらに,多様なコミュニティ進化シナリオを持つ動的グラフベンチマークを構築した。 DISRLは様々な動的設定の下で、最先端のベースラインを一貫して上回ることを示した。

関連論文リスト

• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• Pairing Regularization for Mitigating Many-to-One Collapse in GANs [11.064613023526745]
  本稿では,多対一の崩壊を緩和するために,ジェネレータと共同最適化されたペアリング正規化器を提案する。 ペアリング正則化の効果は、トレーニングの主流となる障害モードに依存することを示す。
  論文  参考訳（メタデータ） (2026-04-22T02:57:30Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• HyperD: Hybrid Periodicity Decoupling Framework for Traffic Forecasting [10.043485636925265]
  HyperDはトラフィックデータを周期的および残留的なコンポーネントに分離する新しいフレームワークである。 4つの実世界のトラフィックデータセットの実験は、HyperDが最先端の予測精度を達成することを示した。
  論文  参考訳（メタデータ） (2025-11-12T12:42:22Z)
• Breaking Imitation Bottlenecks: Reinforced Diffusion Powers Diverse Trajectory Generation [20.106116218594266]
  DIVERは、強化学習と拡散ベースの生成を統合するエンドツーエンドの自動運転フレームワークである。 また,DIVERは軌道の多様性を著しく改善し,模倣学習に固有のモード崩壊問題に効果的に対処することを示した。
  論文  参考訳（メタデータ） (2025-07-05T14:19:19Z)
• Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
  本稿では,自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 これらの課題に対処するため、我々は自己進化型政策学習戦略を持つ新しい多粒状態空間モデル(SSM)であるDecision Mambaを提案する。 雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。
  論文  参考訳（メタデータ） (2024-06-08T10:12:00Z)
• Visual Self-paced Iterative Learning for Unsupervised Temporal Action Localization [50.48350210022611]
  本稿では,クラスタリングとローカライズトレーニングを同時に行うための,自己ペースの反復学習モデルを提案する。 我々は,2つの段階的なインスタンス学習戦略を設計し,ビデオ擬似ラベルの信頼性を確保する。
  論文  参考訳（メタデータ） (2023-12-12T16:00:55Z)

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。