English(EN) Learning Collective Dynamics with Differentiable Gaussian Representations

新的可微分高斯动力学方法从聚合数据中学习集体行为

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-02 04:00

研究人员推出了一种从聚合数据中学习集体动力学的新方法——可微分高斯动力学（DGD）。DGD 利用高斯混合模型来表示个体响应倾向，并结合了接触强度和行为概率的可微分聚合。该系统还包括反馈递归以更新后续响应，从而允许聚合预测误差来训练分布、观测和反馈参数。在 KuaiRand-Pure 和 Online Retail II 等数据集上的实验表明，DGD 在预测集体行为方面优于 DeepAR 的改编版本。 AI

影响引入了一种从聚合数据中建模复杂群体行为的新方法，有望改善零售和推荐系统等领域的预测。

排序理由这是一篇详细介绍学习集体动力学新方法的学术论文。[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 →

本文如何被排名

Signal score: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇详细介绍学习集体动力学新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jianxiang Ma, Mingfu Zhang, Xiaocui Yang, Yichen Gao, Junzhao Huang, Yuesong Hou · 2026-10-02 04:00

使用可微分高斯表示学习集体动力学

arXiv:2609.28405v2 Announce Type: replace Abstract: Collective responses depend on individual differences, contact opportunities, and accumulated experience. Learning their dynamics from aggregate counts requires connecting a population's response distribution to both current obs…

本文如何被排名

报道来源 [1]

使用可微分高斯表示学习集体动力学

相关实体

相关话题