論文の概要: Discovering hierarchical governing equations for community-structured complex network dynamics with LLM agents

• arxiv url: http://arxiv.org/abs/2611.02816v1
• Date: Mon, 02 Nov 2026 09:19:22 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:54:20.217525
• Title: Discovering hierarchical governing equations for community-structured complex network dynamics with LLM agents
• Title（参考訳）: LLMエージェントを用いたコミュニティ構造複雑ネットワークダイナミクスの階層的支配方程式の発見
• Abstract要約: ゲバニング方程式は、複雑なネットワーク力学の基礎となるメカニズムの解釈可能な記述を提供する。 SAGEは、コミュニティが共有する統治法を発見するための、大規模言語モデルに基づく自己表現型エージェントフレームワークである。 この階層的で解釈可能な定式化により、SAGEは共有コミュニティレベルのダイナミクスと個人レベルのバリエーションを区別することができる。
• 参考スコア（独自算出の注目度）: 29.35214412353325
• License:
• Abstract: Governing equations provide an interpretable description of the mechanisms underlying complex network dynamics, yet their discovery from observational data remains challenging when shared community-level dynamics coexist with individual-level variations and the relevant functional structures may be absent from the initial candidate library or not explicitly specified in advance. Here we formulate this task as a hierarchical law-discovery problem and introduce SAGE, a large language model-guided self-reflective agent framework for discovering community-shared governing laws and individual-specific dynamical variations. SAGE organizes equation discovery into an iterative Library-Discovery-Review process that first identifies shared community-level structures and then resolves node-specific residual dynamics, while adaptively refining the candidate space to introduce missing dynamical terms when needed. This hierarchical and interpretable formulation enables SAGE to distinguish shared community-level dynamics from individual-level variations and to reveal the mechanisms underlying complex network dynamics. Across two synthetic networks and four real-world networks spanning mobile communication, brain electrophysiology, power grids and urban rail transit, SAGE recovers compact and interpretable governing equations, reproduces observed system dynamics and outperforms representative equation-discovery baselines. The framework remains robust under incomplete observations and can transfer community-level governing laws to nodes with entirely missing observations. These results establish a hierarchical and adaptive approach for disentangling shared and individual dynamical mechanisms in community-structured complex networks.
• Abstract（参考訳）: オーバニング方程式は、複雑なネットワーク力学の基礎となるメカニズムを解釈可能な記述を提供するが、共有コミュニティレベルのダイナミクスが個々のレベルのバリエーションと共存している場合、それらの発見は依然として困難であり、関連する機能構造は、初期候補ライブラリから欠落するか、事前に明示されていないかの可能性がある。 本稿では,この課題を階層的法-発見問題として定式化し,コミュニティが共有する統治法と個人固有の動的変動を発見するための,大規模言語モデルに基づく自己表現型エージェントフレームワークであるSAGEを紹介する。 SAGEは、式発見を反復的なライブラリー・ディスカバリー・レビュープロセスに編成し、まず共有コミュニティレベルの構造を識別し、ノード固有の残留ダイナミクスを解決し、必要な時に欠落する動的項を導入するために候補空間を適応的に洗練する。 この階層的で解釈可能な定式化により、SAGEは共有コミュニティレベルのダイナミクスと個々のレベルのバリエーションを区別し、複雑なネットワークダイナミクスの基礎となるメカニズムを明らかにすることができる。 2つの合成ネットワークと4つの実世界ネットワークが移動通信、脳電気生理学、電力網、都市鉄道輸送を網羅し、SAGEはコンパクトで解釈可能な統治方程式を回復し、観測されたシステムダイナミクスを再現し、代表方程式発見ベースラインを上回る性能を発揮する。 このフレームワークは、不完全な観察の下でも堅牢であり、完全に欠落した観察で、コミュニティレベルの統治法をノードに転送することができる。 これらの結果は、コミュニティ構造複雑なネットワークにおいて、共有と個別の動的メカニズムを分離するための階層的かつ適応的なアプローチを確立する。

関連論文リスト

• Agentic AI Networking for Heterogeneous Unmanned Aerial Systems in Low-Altitude Wireless Networks [51.122913904076505]
  低高度無線ネットワーク(LAWN)は、異種無人航空システムの鍵となる基盤として浮上している。 本稿では,マルチエージェント強化学習(MARL)アーキテクチャを二重ループ構造として,階層型ハイブリッド型大規模言語モデル(LLM)を提案する。 具体的には、外部適応ループはLLMによるゲームオーケストレーションを使用して、サービス要件とオペレータの意図を解釈し、目的とリソースの優先順位を再設定する。 物流監視ケーススタディは、提案したフレームワークが異種サービス間の協調共存をどのように促進するかを示す。
  論文  参考訳（メタデータ） (2026-09-17T01:04:27Z)
• Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
  粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。 i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。 本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
  論文  参考訳（メタデータ） (2026-05-12T08:20:23Z)
• SOFA-FL: Self-Organizing Hierarchical Federated Learning with Adaptive Clustered Data Sharing [2.668832984436106]
  SOFA-FLは階層的なフェデレーションシステムによる自己組織化と時間の経過とともに適応を可能にする新しいフレームワークである。 これらのメカニズムを統合することで、SOFA-FLはクライアント間の動的関係を効果的に捉え、パーソナライズ機能を強化する。
  論文  参考訳（メタデータ） (2025-12-09T05:47:44Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Q-Learning-Driven Adaptive Rewiring for Cooperative Control in Heterogeneous Networks [0.0]
  そこで本研究では,本論文で研究されるメカニズムに基づく適応的リウィリングのQラーニングに基づく変種を提案する。 ネットワーク構成を体系的に探索することで,完全適応的なリワイアリングにより協調レベルが向上することを示す。 本研究は,複雑な適応システムにおけるインテリジェンス駆動の協調パターン形成を理解するための新しいパラダイムを構築した。
  論文  参考訳（メタデータ） (2025-09-01T01:52:56Z)
• Benchmarking LLMs' Swarm intelligence [51.648605206159125]
  大規模言語モデル(LLM)は複雑な推論の可能性を秘めているが、マルチエージェントシステム(MAS)における創発的協調の能力はほとんど探索されていない。 分散エージェントとして機能するLDMのタスクを体系的に評価する新しいベンチマークであるSwarmBenchを紹介する。 本稿では,協調効率の指標を提案し,創発的グループダイナミクスを解析する。
  論文  参考訳（メタデータ） (2025-05-07T12:32:01Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• Learning Individual Interactions from Population Dynamics with Discrete-Event Simulation Model [9.827590402695341]
  複雑なシステム力学の離散時間シミュレーション表現を学習する可能性について検討する。 この結果から,本アルゴリズムは,意味のあるイベントを持つ複数のフィールドにおいて,複雑なネットワークダイナミクスをデータ効率よくキャプチャできることがわかった。
  論文  参考訳（メタデータ） (2022-05-04T21:33:56Z)

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。