热点事件持续更新
研究人员提出分数阶PINN建模社交媒体传播动力学
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
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 根据报道生成 · 6 小时前更新
最新进展11月6日 13:00
研究人员提出分数阶PINN建模社交传播，并在测试中以64%的轨迹重建率优于经典基线。报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- 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%。
本事件热度走势
当前热度 9·可比范围峰值 10（11月6日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。