要旨: 時空間モデリングは、単純な時系列分析を超えて発展し、構造化時系列分析の基礎となっています。現在の研究では、空間特徴抽出にグラフニューラルネットワーク（GNN）が幅広く用いられ、顕著な成功を収めていますが、これらのネットワークは現実世界のネットワークがより豊かな位相（トポロジー）関係を含んでいるにもかかわらず、対（ペア）関係のみを捉えることに限界があります。さらに、GNNベースのモデルは、計算コストがグラフの複雑さに応じて増大するという課題があり、大規模ネットワークへの適用が制限されます。これらの制限に対処するために、私たちは、時空間モデリングにシンプレックス複体構造を活用するための最初のアプローチである、Modern Structure-Aware Simplicial SpatioTemporalニューラルネットワーク（ModernSASST）を提案します。私たちの手法は、高次元シンプレックス複体上での時空間ランダムウォークを用い、さらに、高次の位相構造を捉えつつ計算効率を維持するために、並列化可能なテンポラル畳み込みネットワーク（Temporal Convolutional Networks）を統合します。ソースコードはGitHubで公開されています。\footnote{コードは以下で利用可能です: https://github.com/ComplexNetTSP/ST_RUM.
現代的な構造対応シンプレクシャル時空間ニューラルネットワーク
arXiv cs.LG / 2026/4/20
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- この論文は、従来のGNNが得意な「隣接（ペア）関係」だけでなく、より豊かなトポロジーを扱えることを目的にした、シンプレクシャル複体ベースの時空間ニューラルネットワーク「ModernSASST」を提案している。
- 具体的には、高次元のシンプレクシャル複体上で時空間ランダムウォークを行い、さらに並列化しやすいTemporal Convolutional Network（TCN）を組み合わせることで、高次の位相構造を捉えるとしている。
- GNNはグラフの複雑さに応じて計算コストが増えやすい一方で、本手法は計算効率を維持しながら大規模ネットワークへの適用を意識している。
- GitHubでソースコードを公開しており、再現や追加検証を行えることが示されている。
- 全体として、時空間モデリングの新たな基盤としてシンプレクシャル構造を位置付け、現実のネットワークトポロジーをより反映させることを狙っている。
