@techreport{oai:ipsj.ixsq.nii.ac.jp:00232502,
 author = {福原, 伝博 and 原, 惇也 and 東, 広志 and 田中, 雄一 and Tsutahiro, Fukuhara and Junya, Hara and Hiroshi, Higashi and Yuichi, Tanaka},
 issue = {32},
 month = {Feb},
 note = {本報告では，異なる 2 種の時変ネットワーク間で，交互に最新のネットワーク状態を推定するためのカルマンフィルタを提案する．具体的には，グラフノード間の関係性の強度，すなわち辺の重みとしてネットワーク状態を定義し，これを推定することを考える．様々な制約からセンサ数や計算資源は限られているため，特に大規模ネットワークにおいて全ての状態を監視したり，管理したりすることは現実的に困難である．この問題を回避するため，ネットワークから統計的性質が類似したノードの集合（コミュニティ）を取り出し，コミュニティに対して統計的解析を行った後に，その解析結果を他のコミュニティに利用することを考える．この場合，コミュニティ間のノード数が異なることから，適切にカルマンフィルタのパラメータ群を転移する技術が必要となる．そこで，本報告では，2 種の非同期なネットワーク間の協調的カルマンフィルタを提案する．提案手法では，2 種のコミュニティ間で交互にカルマンフィルタの状態推定を行う．コミュニティ間のパラメータ群転移には最適輸送を用いる．まず，状態空間モデルを原ネットワーク上で定式化し，最適輸送に基づいて被転移ネットワークから転移ネットワーク上へパラメータ群を移す．次に，ベイズ推定に基づいたグラフフィルタ転移手法を用いて，転移ネットワーク上でカルマンフィルタを導出する．合成データを用いた状態推定実験において，提案手法が既存手法に比べて優れた性能を示したので報告する．, This report presents a filter transfer method for tracking and estimating dynamic states, i.e., Kalman filtering, between two different time-varying networks. A network state represents the inter-node significance, which is formulated as an edge weight of the graph. However, in practice, monitoring all states of a large network over time is infeasible due to the limited sensing and storage burden. To avoid the problem, one may extract one community from the network and perform an intra-community analysis based on the statistics in each community. Then, the statistics are utilized for analysis of another community. This leads to the requirement to transfer a set of parameters in Kalman filter from one community to the others. In this report, we propose a cooperative Kalman filter between two asynchronous networks. The proposed Kalman filter performs its estimation alternately in time between two communities. We formulate a state-space model in the source domain and transfer it into the target domain based on optimal transport. To this aim, we apply a graph filter transfer method based on Bayesian inference. The experiments on synthetic data demonstrate that the proposed method effectively estimates the current state in the two time-varying networks.},
 title = {グラフ転移学習と最適輸送に基づく時変ネットワークのための非同期カルマンフィルタ},
 year = {2024}
}