複雑ネットワークダイナミクスの伸張された予測と測定

複雑ネットワークダイナミクスを記述する微分方程式システムのデータ駆動型近似は、従来の方法に比べて有望な代替手段である。ただし、未知の状態空間領域や新しいグラフでの動的予測を行う際には、深層学習モデルに誤りが生じる可能性がある。本研究では、動的モデルに関する基本的な仮定に適合するグラフニューラルネットワークモデルを提案し、これにより従来の統計的学習理論の限界を超えた一般化が可能であることを示す。さらに、モデルの予測精度を評価するための統計的有意性検定を提案する。