Fugu-MT 論文翻訳(概要): Closed-Form Solutions of the Fundamental Equation That Describes User Dynamics in Online Social Networks

論文の概要: Closed-Form Solutions of the Fundamental Equation That Describes User Dynamics in Online Social Networks

arxiv url: http://arxiv.org/abs/2011.05391v1
Date: Tue, 10 Nov 2020 21:00:05 GMT
ステータス: 処理完了
システム内更新日: 2023-04-24 18:56:59.335089
Title: Closed-Form Solutions of the Fundamental Equation That Describes User Dynamics in Online Social Networks
Title（参考訳）: オンラインソーシャルネットワークにおけるユーザダイナミクスを記述する基本方程式のクローズドフォーム解
Authors: T. Ikeya, Masaki Aida
Abstract要約: 振動モデルは、オンラインソーシャルネットワークにおけるユーザダイナミクスを記述することができる。ユーザダイナミクスの基本方程式をモデルに導入することができる。異なる形の新しい基本方程式が考案された。
参考スコア（独自算出の注目度）: 1.5533842336139065
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The oscillation model, based on the wave equation on networks, can describe user dynamics in online social networks. The fundamental equation of user dynamics can be introduced into the oscillation model to explicitly describe the causal relation of user dynamics yielded by certain specific network structures. Moreover, by considering the sparseness of online social networks, a novel fundamental equation of different form has been devised. In this paper, we derive a closed-form solution of the new fundamental equation. Also, we find the closed-form solution of the new fundamental equation can generate the general solution of the original wave equation.
Abstract（参考訳）: ネットワーク上の波動方程式に基づく発振モデルは、オンラインソーシャルネットワークにおけるユーザダイナミクスを記述することができる。ユーザダイナミクスの基本方程式を振動モデルに導入して、特定のネットワーク構造によって得られるユーザダイナミクスの因果関係を明確に記述することができる。さらに,オンライン・ソーシャル・ネットワークの疎結合性を考慮し,異なる形態の新たな基本方程式を考案した。本稿では,新しい基本方程式の閉形式解を導出する。また、新しい基本方程式の閉形式解は、元の波動方程式の一般解を生成することができる。

関連論文リスト

An efficient wavelet-based physics-informed neural networks for singularly perturbed problems [0.0]
物理インフォームドニューラルネットワーク(英: Physics-informed Neural Network、PINN)は、物理学を微分方程式として利用するディープラーニングモデルのクラスである。単一摂動微分方程式を解くために,効率的なウェーブレットベースPINNモデルを提案する。このアーキテクチャにより、トレーニングプロセスはウェーブレット空間内のソリューションを探索することができ、プロセスがより速く、より正確になる。
論文参考訳（メタデータ） (2024-09-18T10:01:37Z)
Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Language models as master equation solvers [4.53216122219986]
本稿では,マスタ方程式を解くための機械学習手法として,言語モデルの再利用を提案する。我々は,確率パラメータ,初期条件,時間値を直接状態結合確率分布にマッピングするプロンプトベースニューラルネットワークを設計する。強化学習フレームワーク内のポリシ勾配アルゴリズムを用いてネットワークをトレーニングし,一連の変動自己回帰モデルから得られるフィードバックの報奨を与える。
論文参考訳（メタデータ） (2023-07-29T08:59:45Z)
A Stable and Scalable Method for Solving Initial Value PDEs with Neural Networks [52.5899851000193]
我々は,ネットワークの条件が悪くなるのを防止し,パラメータ数で時間線形に動作するODEベースのIPPソルバを開発した。このアプローチに基づく現在の手法は2つの重要な問題に悩まされていることを示す。まず、ODEに従うと、問題の条件付けにおいて制御不能な成長が生じ、最終的に許容できないほど大きな数値誤差が生じる。
論文参考訳（メタデータ） (2023-04-28T17:28:18Z)
Neural Basis Functions for Accelerating Solutions to High Mach Euler Equations [63.8376359764052]
ニューラルネットワークを用いた偏微分方程式(PDE)の解法を提案する。ニューラルネットワークの集合を縮小順序 Proper Orthogonal Decomposition (POD) に回帰する。これらのネットワークは、所定のPDEのパラメータを取り込み、PDEに還元順序近似を計算する分岐ネットワークと組み合わせて使用される。
論文参考訳（メタデータ） (2022-08-02T18:27:13Z)
Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
論文参考訳（メタデータ） (2022-02-24T20:46:52Z)
Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文参考訳（メタデータ） (2021-11-02T10:51:42Z)
Physics-informed attention-based neural network for solving non-linear partial differential equations [6.103365780339364]
物理情報ニューラルネットワーク(PINN)は、物理プロセスのモデリングにおいて大幅な改善を実現しました。 PINNは単純なアーキテクチャに基づいており、ネットワークパラメータを最適化することで複雑な物理システムの振る舞いを学習し、基礎となるPDEの残余を最小限に抑える。ここでは、非線形PDEの複雑な振る舞いを学ぶのに、どのネットワークアーキテクチャが最適かという問題に対処する。
論文参考訳（メタデータ） (2021-05-17T14:29:08Z)
Artificial neural network as a universal model of nonlinear dynamical systems [0.0]
このマップは、重みがモデル化されたシステムをエンコードする人工知能ニューラルネットワークとして構築されている。ローレンツ系、ロースラー系およびヒンドマール・ロースニューロンを考察する。誘引子、パワースペクトル、分岐図、リャプノフ指数の視覚像に高い類似性が観察される。
論文参考訳（メタデータ） (2021-03-06T16:02:41Z)
Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文参考訳（メタデータ） (2020-07-08T21:23:19Z)
Neural network representation of the probability density function of diffusion processes [0.0]
物理インフォームドニューラルネットワークは、ランダム環境における力学系の状態を特徴付けるために開発された。解析的,数値的に各微分方程式を解くことの利点と欠点を解析的に検討し,その状態を特徴づける。
論文参考訳（メタデータ） (2020-01-15T17:15:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。