מושגי ליבה
時間ネットワークの時系列データを圧縮しつつ、動的プロセスの振る舞いを保持する方法を提案する。
תקציר
本研究では、時間ネットワークの時系列データを圧縮する新しい手法を提案している。時間ネットワークは、ノード間の相互作用が時間とともに変化する複雑なシステムを表現する。このような時間ネットワークデータを分析する際、時系列情報を保持しつつ、データ量を削減することが重要な課題となる。
提案手法では、隣接するスナップショット間の「交換子」と呼ばれる行列演算子を用いて、時系列圧縮による動的プロセスへの影響を定量化する。具体的には、交換子の演算子ノルムが小さい隣接スナップショットペアを順次統合していくことで、時系列圧縮を行う。これにより、動的プロセス(ここでは伝染病モデル)の振る舞いを保持しつつ、データ量を大幅に削減できることを示している。
実際の時間ネットワークデータに適用した結果、提案手法は従来の固定時間窓による圧縮手法や情報量最小化手法と比べて、より高い圧縮率を達成できることが確認された。また、圧縮過程で得られる交換子の大きさから、時間ネットワークの時間変化の特徴を把握することもできる。
本研究は、時間ネットワークの時系列データ圧縮における新しい知見を提供するものであり、動的プロセスの分析や予測に役立つと期待される。
סטטיסטיקה
時間ネットワークの隣接行列Aと感染確率βを用いて、感染症の伝播過程を表す線形微分方程式を導出した。
隣接行列Aの時間変化に伴う誤差を、行列交換子[A, B]のノルムで定量化した。
この誤差指標を用いて、時系列データの圧縮を行う階層的アルゴリズムを提案した。
ציטוטים
"時間ネットワークの時系列データを圧縮しつつ、動的プロセスの振る舞いを保持する方法を提案する。"
"提案手法では、隣接するスナップショット間の「交換子」と呼ばれる行列演算子を用いて、時系列圧縮による動的プロセスへの影響を定量化する。"
"実際の時間ネットワークデータに適用した結果、提案手法は従来の固定時間窓による圧縮手法や情報量最小化手法と比べて、より高い圧縮率を達成できることが確認された。"