論文の概要: Peak-DNA: Recurrent Morphology in Global Narrative Propagation
- arxiv url: http://arxiv.org/abs/2610.36571v1
- Date: Tue, 27 Oct 2026 03:21:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.225744
- Title: Peak-DNA: Recurrent Morphology in Global Narrative Propagation
- Title（参考訳）: Peak-DNA:グローバル・ナラティブ・プロパゲーションにおける再発形態
- Abstract要約: Peak-DNAは、グローバルな物語ストリームにおける繰り返し伝播形態を識別するためのフレームワークである。
イラン、国防、AI、スペース/エロン、量子/PQCの5つの高増幅物語ドメインを分析します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Global narrative streams exhibit noisy, fragmented, and asynchronous amplification bursts, making direct waveform comparison unreliable for recurrence analysis. This paper introduces Peak-DNA, a framework for identifying recurrent propagation morphology in global narrative streams. The proposed framework transforms hourly GDELT activity into normalized macro-peak episodes through denoising, macro-peak consolidation, and temporal alignment, and compares propagation morphology using DTW-based similarity analysis. Using GDELT narrative streams, we analyze five high-amplification narrative domains: Iran, Defense, AI, Space/Elon, and Quantum/PQC. The results show that amplification events repeatedly converge toward morphology-level propagation patterns within each narrative domain. DTW-based similarity analysis further demonstrates strong intra-domain structural compactness despite heterogeneous publication dynamics and severe observational noise. These findings suggest a measurable morphology layer beyond semantic content or anomaly intensity, providing an initial structural foundation for recurrence-aware narrative monitoring, propagation family discovery, and longitudinal Narrative Genome analysis.
- Abstract（参考訳）: グローバルな物語ストリームは、ノイズ、断片化、非同期増幅バーストを示し、繰り返し解析では直接波形比較が信頼できない。
本稿では,グローバルな物語ストリームにおける繰り返し伝播形態を識別するフレームワークであるPeak-DNAを紹介する。
提案フレームワークは,時間ごとのGDELTアクティビティを正規化されたマクロピークエピソードに変換し,denoising, macro-peak consolidation, 時間的アライメントを行い,DTWに基づく類似性解析を用いて伝搬形態を比較した。
GDELT物語ストリームを用いて、イラン、国防、AI、スペース/エロン、量子/PQCの5つの高増幅物語領域を分析する。
その結果, 各物語領域における形態素レベルの伝播パターンに対して増幅現象が繰り返し収束することが示唆された。
DTWに基づく類似性解析は、異質なパブリッシュダイナミックスと激しい観測ノイズにもかかわらず、ドメイン内構造的コンパクト性をさらに証明する。
以上の結果から,意味的内容や異常強度を超えて測定可能な形態層が出現し,再現性を考慮した物語モニタリング,伝播家族発見,縦断的ナラティブゲノム解析の基盤となることが示唆された。
関連論文リスト
- $M^2Net$: Unifying Scale-Specific Structures and Prototype Decomposition for Spatial-Temporal Forecasting [62.414974731333295]
我々は、スケール固有の構造学習と意味分解を統合するために、$M2Net$という新しいフレームワークを提案する。
M2Net$は、広範な経験的検証において最先端のベースラインを上回っます。
論文 参考訳（メタデータ） (2026-10-17T07:24:57Z) - Topological texture analysis of microscopy images of dynamic casein gelation and its relation to rheological properties [0.5437050212139087]
本稿では、トポロジカルデータ解析(TDA)、微分ボックスカウント(DBC)、マルチフラクタル分割顕微鏡、局所バイナリパターン(LBP)を統合した新しい計算ツールボックスを提案する。
30Cおよび40Cのグルコノデルタラクトン(GDL)および2GDL濃度(1.8%w/v)で誘導されるカゼイン酸ナトリウムゲル化の時間分解能STED画像に適用した。
TDAは、タンパク質ネットワークの相互結合性を反映する閉環状構造であるトポロジカルループをMax-Betti-1曲線を用いて追跡し、分散集合のラグ位相を明らかにした。
論文 参考訳（メタデータ） (2026-06-01T10:39:05Z) - PathAR: Structure-First Autoregressive Synthesis of Multimodal Pathology Images [51.428093790826814]
そこで我々は, モーダリティ・ラベル条件付き病理モデル (PathAR) を用いて, 構造と外観を分解し, 自己回帰モデル(PathAR)を提案する。
PathARは、不均一なモダリティ固有の外観下で形態を安定化し、空間的に整列したイメージマスクペア生成を可能にする。
論文 参考訳（メタデータ） (2026-06-01T01:43:48Z) - Topological Signatures of Grokking [5.246889031503699]
トポロジーのレンズを通してグラッキング現象を研究する。
永続ホモロジーは、表現学習の統一的幾何学的および位相的特徴を与える。
この結果から、持続的ホモロジーは、トレーニング中にニューラルネットワークが潜在構造をどのように分析するかを、原則的かつ解釈可能なフレームワークとして提供することが示唆された。
論文 参考訳（メタデータ） (2026-05-07T14:33:22Z) - Interpreting the Synchronization Gap: The Hidden Mechanism Inside Diffusion Transformers [0.0]
予混合拡散変換器(DiT)における同期ギャップの機械的実現について検討する。
本研究は,ネットワークの終端層への分化遷移を分離し,DiTsが生成的曖昧性をどのように解決するかを機械論的に解釈するものである。
論文 参考訳（メタデータ） (2026-03-22T00:13:33Z) - The Complete Anatomy of the Madden-Julian Oscillation Revealed by Artificial Intelligence [12.768001894587576]
我々は,マデン=ジュリアン振動の固有構造を客観的に発見する「AI-for-theory」パラダイムを導入する。
深層学習モデルPhysAnchor-MJO-AEを開発した。
この分類法は、2つの長周期の遷移段階を客観的に分離することで古典的な見方を洗練させる。
論文 参考訳（メタデータ） (2025-12-14T09:37:51Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - Kuramoto Orientation Diffusion Models [67.0711709825854]
指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。
生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。
一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
論文 参考訳（メタデータ） (2025-09-18T18:18:49Z) - Variational Mode Decomposition-Based Nonstationary Coherent Structure Analysis for Spatiotemporal Data [0.0]
本稿では,非定常現象におけるコヒーレント構造の抽出を可能にする変分モード分解(VMD-NCS)解析を提案する。
多くの従来のモーダル解析手法とは異なり,提案手法は時間的空間分布の時間的変化を考慮に入れている。
論文 参考訳（メタデータ） (2023-12-19T12:36:39Z) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-19T10:15:00Z)
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。