구조-상태 결합 학습으로 네트워크 진화 히스토리 추론
네트워크의 진화 역사로부터 한 개의 최종 스냅샷과 제한된 시간 주석을 추론하는 것은 기본적이면서도 도전적인 과제이다. 현재 접근 방식은 대부분 위상만에 의존하는데, 이는 종종 부족하고 잡음을 포함한 단서를 제공한다. 본 논문은 특정 동적 과정 하에서 수렴된 노드 상태인 네트워크 정상 상태 동역학을 추가적인 널리 접근 가능한 관찰로 활용하여 네트워크 진화 역사 추론에 사용한다. 우리는 CS$^2$를 제안하며, 이는 구조-상태 결합을 명시적으로 모델링하여 위상이 정상 상태를 어떻게 조절하는지와 두 신호가 엣지 판별을 어떻게 공동으로 향상시키는지를 포착한다. 여섯 개의 실제 시간 네트워크에서 여러 동적 과정 하에 평가한 실험 결과 CS$^2$는 강력한 베이스라인을 일관되게 능가하며, 평균 4.0%의 엣지 순위 판별 정확도 향상과 평균 7.7%의 전역 순서 일관성(Spearman-$ρ$) 향상을 보여준다. CS$^2$는 또한 클러스터 형성, 차수 이질성, 허브 성장과 같은 거시적 진화 경로를 더욱 신뢰성 있게 복원한다. 게다가, 정상 상태만을 사용하는 변형은 신뢰할 수 있는 위상이 제한적인 상황에서도 경쟁력을 유지하며, 정상 상태가 진화 추론을 위한 독립된 신호임을 강조한다.
paper
AI 요약
