論文の概要: Spectral Braids: A Topological Descriptor for Dynamic Directed Networks

• arxiv url: http://arxiv.org/abs/2610.37580v1
• Date: Tue, 27 Oct 2026 17:21:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.730002
• Title: Spectral Braids: A Topological Descriptor for Dynamic Directed Networks
• Title（参考訳）: スペクトル編み物:動的指向ネットワークのためのトポロジ的記述子
• Abstract要約: 動的指向ネットワークの方法論であるスペクトルブレイドを提案する。 各スナップショットは、コミュニティレベルの遷移マトリックスに集約される。 複雑な固有値は時間とともに追跡され、それらが追跡するブレイドは単語として読み取られる。 それぞれの固有値は、コミュニティの集団がどのように振る舞うかを記述し、それぞれの交差は、1つのグループが別のグループを追い越していることを記録している。
• 参考スコア（独自算出の注目度）: 0.7648784748888185
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Eigenvalues are a workhorse of graph machine learning: spectral clustering, spectral graph neural networks, and graph kernels all summarize a network by the eigenvalues of a matrix. These eigenvalues are almost always treated as a static list of numbers. When a graph changes, however, its eigenvalues move, and when the matrix is not symmetric, they move in the complex plane, where they can wind around each other. The pattern of this winding is a braid, a classical object from topology. We propose spectral braids, a methodology for dynamic directed networks: each snapshot is aggregated into a community-level transition matrix, its complex eigenvalues are tracked over time, and the braid they trace is read off as a word. The word is then mapped to a matrix by the Burau representation, which gives a fixed-size feature vector for any classifier. The braid has a concrete meaning: each eigenvalue describes how a group of communities behaves, and each crossing records one group overtaking another. We evaluate the method on dynamic network classification, using synthetic networks of online communities whose labels describe how the network evolved between the same starting and ending states. Our experimental results show that the proposed features reach 97.1% accuracy on four classes, against 44.5% for the best feature set that does not track eigenvalues, and that the Burau features also separate networks containing the same events in a different order, which simple counts of crossings cannot do. To the best of our knowledge, this is the first study that defines braids and braid monodromy on graph data and uses them as features for learning on dynamic networks.
• Abstract（参考訳）: スペクトルクラスタリング、スペクトルグラフニューラルネットワーク、グラフカーネルはすべて、行列の固有値によってネットワークを要約する。 これらの固有値は、ほとんど常に数値の静的リストとして扱われる。 しかし、グラフが変化すると、その固有値が動き、行列が対称でない場合、それらは複素平面に移動し、互いに巻きつき合うことができる。 この巻物のパターンは、トポロジーの古典的な物体である編み物である。 各スナップショットはコミュニティレベルの遷移行列に集約され、その複雑な固有値は時間とともに追跡され、追跡されるブレイドは単語として読み取られる。 その後、単語はブラウ表現によって行列にマッピングされ、任意の分類器に対して固定サイズの特徴ベクトルを与える。 それぞれの固有値は、コミュニティの集団がどのように振る舞うかを記述し、それぞれの交差は、1つのグループが別のグループを追い越していることを記録している。 ラベルが同一の開始状態と終了状態の間でどのようにネットワークが進化したかを記述したオンラインコミュニティの合成ネットワークを用いて,動的ネットワーク分類法の評価を行った。 実験の結果,提案した特徴は4つのクラスで97.1%の精度に達し,固有値を追跡できない最高の特徴集合では44.5%であり,ブラウは異なる順序で同じ事象を含む別ネットワークも備えており,単純な交差数では不可能であることがわかった。 我々の知る限りでは、この研究は、グラフデータ上でブレイドとブレイドのモノドロミーを定義し、それらを動的ネットワーク上で学習するための機能として利用する最初の研究である。

関連論文リスト

• Permutation-Equivariant Flow Matching for Alignment-Free Neural Weight Generation [65.70290789922743]
  フローマッチング速度場を置換同変グラフメタネットワークでパラメータ化する。 実験により,本手法は,独立に訓練されたコレクションの精度,機能的類似度,重量類似度に関する共同統計を密接に再現することを示した。
  論文  参考訳（メタデータ） (2026-09-26T18:04:17Z)
• Depth, Not Data: An Analysis of Hessian Spectral Bifurcation [29.426396222985563]
  ヘッセン行列の固有値分布は、ディープニューラルネットワークの風景を理解する上で重要な役割を果たす。 このようなスペクトル分岐は、データ不均衡とは無関係に、純粋にネットワークアーキテクチャから生じうることを実証する。 この結果から,深層ネットワークの最適化アルゴリズムを設計する際には,モデルアーキテクチャとデータ特性の両方を考慮すべきであることが示唆された。
  論文  参考訳（メタデータ） (2026-01-31T06:17:00Z)
• Improving Expressive Power of Spectral Graph Neural Networks with Eigenvalue Correction [55.57072563835959]
  本稿では,繰り返し入力される固有値の制約からフィルタを解放する固有値補正手法を提案する。 具体的には、提案した固有値補正戦略により、固有値の均一分布が向上し、フィルタの適合能力と表現力が向上する。
  論文  参考訳（メタデータ） (2024-01-28T08:12:00Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Homophily modulates double descent generalization in graph convolution networks [33.703222768801574]
  グラフノイズ,特徴雑音,トレーニングラベル数との相互作用によって,リスクがどのように形成されるかを示す。 我々は解析的洞察を用いて、異種データセット上での最先端グラフ畳み込みネットワークの性能を向上させる。
  論文  参考訳（メタデータ） (2022-12-26T09:57:09Z)
• The SVD of Convolutional Weights: A CNN Interpretability Framework [3.5783190448496343]
  本稿では,ハイパーグラフを用いてクラス分離をモデル化する手法を提案する。 ネットワークを説明するためにアクティベーションを見るのではなく、各線形層に対して最大の対応する特異値を持つ特異ベクトルを用いて、ネットワークにとって最も重要な特徴を識別する。
  論文  参考訳（メタデータ） (2022-08-14T18:23:02Z)
• Recovering the Graph Underlying Networked Dynamical Systems under Partial Observability: A Deep Learning Approach [7.209528581296429]
  時系列間の依存グラフを復元するグラフ構造同定の問題について検討する。 観測時系列から計算した特徴ベクトルを考案し,これらの特徴が線形分離可能であることを示す。 私たちはこれらの機能を使って畳み込みニューラルネットワーク(CNN)を訓練します。
  論文  参考訳（メタデータ） (2022-08-08T20:32:28Z)
• Sign and Basis Invariant Networks for Spectral Graph Representation Learning [75.18802152811539]
  SignNetとBasisNetは、すべての必須対称性に不変な新しいニューラルアーキテクチャであり、したがって、原則化された方法で固有空間のコレクションを処理する。 我々のネットワークは理論的にはグラフ表現学習に強い -- 任意のスペクトルグラフ畳み込みを近似することができる。 実験により、スペクトルグラフフィルタの学習とグラフ位置エンコーディングの学習のためのネットワークの強みが示された。
  論文  参考訳（メタデータ） (2022-02-25T23:11:59Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• Building powerful and equivariant graph neural networks with structural message-passing [74.93169425144755]
  本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。 まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。 次に,メッセージのパラメトリゼーション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:15:16Z)

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。