PulseAugur
中
实时 11:32:28
English(EN) Fractional physics-informed neural networks to model social media virality

新型神经网络模拟社交媒体病毒式传播动力学

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的分数物理信息神经网络，用于模拟社交媒体病毒式传播的动力学。该模型学习时间记忆和非线性增长模式，并通过符号回归将其转化为可解释的方程。在合成数据上的初步实验显示出希望，但现实世界观测中的噪声需要完全白化的残差才能准确估计参数。当应用于 X（前身为 Twitter）的 348 篇帖子时，使用四个 24 小时时段的分割方法显著提高了性能，揭示了特定于时段的动力学和增长规律。 AI

影响 这项研究为理解和预测社交媒体平台的参与度动态提供了一种新方法。

排序理由 该项目是一篇学术论文，详细介绍了一种新模型和方法论。 [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 →

新型神经网络模拟社交媒体病毒式传播动力学

本文如何被排名

Signal score
11 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该项目是一篇学术论文，详细介绍了一种新模型和方法论。 [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
Same-day
Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Alex Koong, George Em Karniadakis ·

    分数物理信息神经网络用于模拟社交媒体病毒式传播

    arXiv:2611.07215v1 Announce Type: new Abstract: Existing models of social media virality either prescribe the functional form of engagement growth or assume a fixed mechanism by which past activity influences future engagement. We present a fractional physics-informed neural netw…

相关实体

相关话题