Predicting Steady-State Behavior in Complex Networks with Graph Neural Networks

要約

複雑なシステムでは、情報伝播は、拡散または非局在化され、弱く局所化され、強く局在化されていると定義できます。
この研究では、グラフニューラルネットワークモデルの適用を調査して、ネットワーク上の線形動的システムの動作を学習します。
グラフの畳み込みと注意ベースのニューラルネットワークフレームワークが開発され、線形動的システムの定常状態の動作を特定しています。
訓練されたモデルがさまざまな状態を高い精度で区別していることを明らかにします。
さらに、実際のデータでモデルのパフォーマンスを評価しました。
さらに、モデルの説明可能性を理解するために、フレームワークの前方および後方の伝播の分析派生を提供します。

要約(オリジナル)

In complex systems, information propagation can be defined as diffused or delocalized, weakly localized, and strongly localized. This study investigates the application of graph neural network models to learn the behavior of a linear dynamical system on networks. A graph convolution and attention-based neural network framework has been developed to identify the steady-state behavior of the linear dynamical system. We reveal that our trained model distinguishes the different states with high accuracy. Furthermore, we have evaluated model performance with real-world data. In addition, to understand the explainability of our model, we provide an analytical derivation for the forward and backward propagation of our framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google