arXiv:2610.02439v1 cs.LG

그라폰과 신경망 역연산자를 활용한 복잡계 네트워크 생성 모델

A Generative Model of Complex Networks Using Graphons and Neural Inverse Operators

Wooseong Choi, Italo'Ivo Lima Dias Pinto, Chen Sun, Gaurav Gupta, Dong Song, Paul Bogdan

제출 2026-10-01

한국어 초록

생성 그래프 모델은 복잡계 네트워크를 이해하고 시뮬레이션하는 데 핵심적인 역할을 합니다. 그러나 기존 접근 방식들은 상호보완적인 장점과 한계를 지닙니다. 기전 모델(mechanistic model)은 해석 가능성을 제공하지만 인스턴스별 추정 방법에 의존합니다. 반면 심층 생성 모델은 분할 상환 추론(amortized inference)을 제공하지만 해석 가능성을 희생하며, 학습 중에 관측된 그래프 크기로 대체로 제한됩니다. 과학적 응용 분야에서는 두 패러다임의 장점을 모두 유지하는 프레임워크가 요구됩니다. 본 연구에서는 생성 모델과 매개변수 복원을 모두 함수 공간에서 정식화하여 이 두 접근법을 연결합니다. 다중프랙탈 스텝 그라폰(multifractal step graphon)은 복잡계 네트워크를 조밀하게 매개변수화하는 재귀적 구조를 통해 표준 스텝 그라폰을 확장합니다. 이러한 정식화는 매개변수를 복원하기 위한 신경망 역연산자(neural inverse operator)를 도입할 수 있게 하여, 학습 시 보지 못한 그래프 크기에 대해서도 추론을 가능하게 합니다. 본 연구에서는 합성 다중프랙탈 스텝 그라폰 실현치로만 학습된 제안 모델을 두 패러다임 모두와 비교 평가합니다. 실증 네트워크로 사전학습된 그래프 파운데이션 모델과 비교했을 때, 제안 방법은 제로샷(zero-shot) 그래프 생성 벤치마크의 4개 지표 중 3개에서 최고의 평균 성능을 달성하여 실제 그래프로도 전이됨을 보여줍니다. 또한 학습 말뭉치가 필요한 심층 모델이 접근하기 어려운 영역인 단일 관측 네트워크에도 제안 방법을 적용하였으며, 각 그래프마다 최적화를 수행하는 인스턴스별 방식과 비견할 만한 성능을 보였습니다. 다중 피험자 뇌파(EEG) 사례 연구에서는 추론된 매개변수가 기존의 네트워크 통계량보다 뇌 상태의 가역적 변화를 더 민감하게 추적함을 확인했습니다. 종합적으로 이러한 결과는 기전적 해석 가능성과 분할 상환 추론이 생성 그래프 모델 내에서 효과적으로 통합되어 복잡계 네트워크에 대한 이해를 향상시킬 수 있음을 나타냅니다.

원문 초록

Generative graph models are central to understanding and simulating complex networks. However, existing approaches have complementary strengths and limitations. Mechanistic models offer interpretability but rely on instance-specific estimation methods. Deep generative models, on the other hand, offer amortized inference at the cost of interpretability and are largely limited to graph sizes seen during training. Scientific applications motivate a framework that retains the strengths of both paradigms. We bridge them by formulating both the generative model and parameter recovery in function space. A multifractal step graphon extends standard step graphons with a recursive construction that compactly parameterizes complex networks. This formulation admits a neural inverse operator to recover its parameters, enabling inference on unseen graph sizes. We evaluate our model, trained only on synthetic multifractal step graphon realizations, against both paradigms. Against a graph foundation model pretrained on empirical networks, our method achieves the best average performance on three of four metrics in a zero-shot graph-generation benchmark, indicating that the model transfers to real-world graphs. We also apply our method to single-observation networks, a regime largely inaccessible to deep models that require training corpora, where it performs comparably to an instance-specific method that optimizes on each graph. In a multi-subject EEG case study, the inferred parameters track a reversible change in brain state more sensitively than traditional network statistics. Together, these results indicate that mechanistic interpretability and amortized inference can be effectively unified in a generative graph model to enhance our understanding of complex networks.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2610.02439v1

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.20541v1cs.LG공통 태그 Graph Learning, neural operator

HypNO: 쌍곡 보존 법칙을 위한 물리 정보 메시지 패싱 기반 그래프 신경 연산자

HypNO: A Graph-Based Neural Operator with Physics-Informed Message Passing for Hyperbolic Conservation Laws

우리는 스칼라 쌍곡 보존 법칙을 위한 그래프 기반 신경 연산자(neural operator) HypNO를 제안한다. HypNO는 유한체적(finite-volume) 셀의 시공간 그래프 위에서 직접 동작하며, 인접성 분해(adjacency-factored) 기반의 물리 정보 메시지 패싱을 통해 충격(shock) 근처에서 상류(upwinding)와 엔트로피 허용성(entropy admissibility)을 준수한다. 우리는 이 아키텍처를 Lighthill-Whitham-Richards(LWR) 및 Aw-Rascle-Zhang(ARZ) 교통 흐름 모델에 대해 벤치마크한다. 이 모델들은 동시에 전역 수송(global transport)과 충격 형성이 일어나기 때문에 연산자 학습(operator learning) 방법에 대한 스트레스 테스트 역할을 한다. HypNO는 다양한 초기 조건에 걸쳐 해 스냅샷(solution snapshot)을 정확하게 예측하면서, 해의 충격과 불연속성(discontinuity)을 포착한다.

arXiv:2607.07773v1cs.LG공통 태그 EEG, Graph Learning

심리학적 기반 레이블 구조를 활용한 EEG 기반 감정 인식을 위한 그래프 정규화 심층 학습

Graph-Regularized Deep Learning for EEG-Based Emotion Recognition with Psychologically-Grounded Label Structure

EEG 기반 감정 인식은 정신 건강 모니터링 및 감성 뇌-컴퓨터 인터페이스(BCI)에 있어 매우 중요하지만, 기존 심층 학습(deep learning) 접근법은 감정 클래스를 독립된 레이블로 취급하여 심리적 상호 의존성을 무시하는 경우가 많다. 본 논문에서는 감정을 그래프의 노드로 개념화하고, 에지(edge)가 차원적 감정 이론에 기반한 근접성을 인코딩하는 그래프 정규화(graph-regularized) 학습 프레임워크를 제안한다. 우리는 계산 복잡도 증가 순으로 세 가지 상호 보완적인 정규화(regularization) 전략을 적용한다: 그래프 레이블 스무딩(Graph Label Smoothing, 직관적 소프트 레이블링), 그래프 라플라시안을 통한 그래프 상의 교환 거리(Commuting distance on graph via Graph Laplacian, 스펙트럴 그래프 이론), 슬라이스드 와서스타인 거리(Sliced Wasserstein Distance, 그래프 상의 최적 수송). 이 전략들은 확립된 감정 위상 구조에서 벗어난 모델(model) 예측에 패널티를 부과한다. 제안된 프레임워크는 세 가지 대표적인 백본 아키텍처, 즉 AudioTransformer(순수 트랜스포머(transformer)), Conformer(CNN-트랜스포머 하이브리드), DCGNN(인과 그래프 신경망(causal graph neural network))에 걸쳐 평가되어 아키텍처에 독립적인 이점을 입증한다. SEED-IV(4개 클래스) 및 SEED-V(5개 클래스) 데이터셋에서의 실험 결과 일관된 성능 향상이 나타났으며, 최선의 경우 정확도 최대 +5.42% 향상 및 심리적으로 타당하지 않은 오분류 39% 감소를 달성하였다. 궁극적으로, 본 프레임워크는 표준 접근법으로 달성 가능한 성능의 상한선을 높이는 데 기여한다. 코드는 추후 공개될 예정이다.

arXiv:2609.25722v3cs.LG공통 태그 Graph Learning

부호 그래프 사전학습 및 프롬프트 학습

Signed Graph Pre-Training and Prompt Learning

부호 그래프(signed graph)는 엣지가 양수이거나 음수일 수 있으며 방향성을 가질 수도 있는 신뢰-불신 네트워크, 금융 상관관계 시스템, 생물학적 상호작용 그래프 및 기타 여러 도메인에서 발생합니다. 부호 그래프 신경망이 특정 태스크에 특화된 학습(training)을 향상시켰지만, 부호 그래프에서의 그래프 전이학습(transfer learning)은 여전히 미진한 상태입니다. 본 논문에서는 부호 그래프를 위한 선구적인 위상학 기반 그래프 사전학습(pre-training) 및 프롬프트(prompt) 학습 프레임워크인 TopoSIGN을 소개합니다. TopoSIGN은 자기 부호 라플라시안(magnetic signed Laplacian)을 기반으로 구축된 구조적 인코더와 Dowker 복합체 지속성 이미지(Dowker-complex persistence images)를 통해 부호 위상을 요약하는 새로운 지속성 호몰로지(persistent-homology) 브랜치를 결합합니다. 융합된 임베딩(embedding)은 이후 프롬프트 학습 함수로 전달됩니다. 합성 및 실제 데이터셋(dataset)에 대한 실험 결과는 부호 그래프에서 유용한 구조적 정보를 추출하는 TopoSIGN의 효능뿐만 아니라, 제안된 일반 프레임워크의 적응성과 유연성을 입증합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.