PulseAugur
中
实时 08:58:00
English(EN) Classifying Directional Trajectories Near Criticality in the Three-State Majority-Vote Model with Deep Belief Networks and Bidirectional GRUs

深度信念网络和双向GRU对意见动力学模型中的临界转变进行分类

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种使用深度信念网络（DBN）和双向门控循环单元（Bi-GRU）的层次结构，用于对三态多数投票模型（MV3）中的动态轨迹进行分类。虽然使用高斯-伯努利受限玻尔兹曼机预训练的DBN只能在其潜在空间中部分分离轨迹类型，但随后的Bi-GRU分类器实现了近乎完美的分类。该Bi-GRU在DBN编码快照序列上进行训练，并展示了对意见动力学模型中动力学状态的实时分类能力。 AI

影响 这项研究提出了一种新颖的层次结构，用于对基于代理的意见动力学模型中的临界转变进行分类，有望改进复杂系统的实时分析。

排序理由 该条目是一篇学术论文，详细介绍了一种使用深度学习模型对动态轨迹进行分类的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

深度信念网络和双向GRU对意见动力学模型中的临界转变进行分类

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Mauricio A. Valle, Gonzalo A. Ruz ·

    使用深度信念网络和双向GRU对三态多数投票模型临界点附近的方向轨迹进行分类

    arXiv:2608.18235v1 Announce Type: new Abstract: In this work, we investigate whether the latent representations learned by a Deep Belief Network (DBN) and a Bidirectional Gated Recurrent Unit (Bi-GRU) can discriminate among four dynamically distinct trajectory types in the three-…

相关实体

相关话题