研究人员提出分数阶PINN建模社交媒体传播动力学
Start here
2026年11月6日，研究人员在 arXiv 机器学习板块发表成果，提出利用分数阶物理信息神经网络（PINN）对社交媒体病毒式传播动力学进行建模。该方法用于学习社交媒体互动中的时间记忆与非线性增长动力学，并通过符号回归提取可解释方程，同时引入完全白化残差以应对数据噪声。在 X 平台 348 条帖子的实证测试中，研究采用 4 段分段建模，使分数阶从 0.23 逐步增至 0.99。最终测试结果显示，该模型在 0.01 均方误差内成功重建了 64% 的留出轨迹，性能优于 9 种经典基线模型中表现最佳者的 44%。
AI-generated from reports · Updated 7 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习基于分数阶物理信息神经网络的社交媒体病毒式传播建模
研究者提出分数阶物理信息神经网络，用于学习社交媒体互动的时间记忆与非线性增长动力学，并通过符号回归提取可解释方程。该方法引入完全白化残差应对噪声，并在 X 平台 348 条帖子上采用 4 段分段建模，使分数阶从 0.23 增至 0.99。最终模型在 0.01 均方误差内重建了 64% 的留出轨迹，优于 9 种经典基线中最优的 44%。
Story heat trend
Current heat 8·Comparable peak 10（Nov 6 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.