PulseAugur
中
实时 06:40:59
English(EN) Learning effective models from network dynamics data with multiple initial conditions using weak form SINDy

新的WSINDy方法从网络动力学数据中学习模型

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为弱形式非线性动力学稀疏识别（WSINDy）的新方法，用于从网络动力学数据中学习有效模型。这种方法对于理解个体之间相互影响的社会系统特别有用。研究表明，虽然在嘈杂条件下更多的数据轨迹可以提高准确性，但在少量额外轨迹之后，收益会显著下降。该方法还可以直接从随机过程中识别常微分方程，当传统的平均场近似失效时，能提供比其更好的见解。 AI

排序理由 该集群包含一篇学术论文，详细介绍了一种从数据中学习模型的新方法。[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 →

新的WSINDy方法从网络动力学数据中学习模型

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该集群包含一篇学术论文，详细介绍了一种从数据中学习模型的新方法。[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, other
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
101 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

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) · Moyi Tian, Daniel A. Messenger, Vanja Dukic, Nancy Rodr\'iguez, David M. Bortz ·

    使用弱形式SINDy从具有多个初始条件下的网络动力学数据中学习有效模型

    arXiv:2605.30432v1 Announce Type: cross Abstract: Social systems consist of networks of individuals who influence one another through social interactions. Studying how processes evolve on these networks can help us better understand patterns of social behavior. We study a system …

相关实体

相关话题