論文の概要: Advancing Opinion Dynamics Modeling with Neural Diffusion-Convection-Reaction Equation

• arxiv url: http://arxiv.org/abs/2602.05403v1
• Date: Thu, 05 Feb 2026 07:41:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.819493
• Title: Advancing Opinion Dynamics Modeling with Neural Diffusion-Convection-Reaction Equation
• Title（参考訳）: ニューラル拡散対流反応方程式を用いたオピニオンダイナミクスのモデリング
• Authors: Chenghua Gong, Yihang Jiang, Hao Li, Rui Sun, Juyuan Zhang, Tianjun Gu, Liming Pan, Linyuan Lü,
• Abstract要約: 我々は、意見力学モデリングのための物理インフォームド・ニューラル・フレームワークであるOPINNを紹介する。 ニューラル・ODEを基盤として、ニューラルネットワークと物理的事前を協調するニューラル・ポジショニング・ダイナミクスを定義する。 OPINNは、意見進化予測における最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 13.884804908187391
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced opinion dynamics modeling is vital for deciphering social behavior, emphasizing its role in mitigating polarization and securing cyberspace. To synergize mechanistic interpretability with data-driven flexibility, recent studies have explored the integration of Physics-Informed Neural Networks (PINNs) for opinion modeling. Despite this promise, existing methods are tailored to incomplete priors, lacking a comprehensive physical system to integrate dynamics from local, global, and endogenous levels. Moreover, penalty-based constraints adopted in existing methods struggle to deeply encode physical priors, leading to optimization pathologies and discrepancy between latent representations and physical transparency. To this end, we offer a physical view to interpret opinion dynamics via Diffusion-Convection-Reaction (DCR) system inspired by interacting particle theory. Building upon the Neural ODEs, we define the neural opinion dynamics to coordinate neural networks with physical priors, and further present the OPINN, a physics-informed neural framework for opinion dynamics modeling. Evaluated on real-world and synthetic datasets, OPINN achieves state-of-the-art performance in opinion evolution forecasting, offering a promising paradigm for the nexus of cyber, physical, and social systems.
• Abstract（参考訳）: 高度な意見力学モデリングは社会的行動の解読に不可欠であり、偏光緩和とサイバー空間の確保におけるその役割を強調している。 データ駆動型柔軟性と機械的解釈可能性の相乗化を図るため、最近の研究では、意見モデリングのための物理情報ニューラルネットワーク(PINN)の統合について検討している。 この約束にもかかわらず、既存の手法は不完全な事前に適合し、局所的、グローバル的、内在的レベルからのダイナミクスを統合するための総合的な物理的システムを欠いている。 さらに、既存の手法で採用されているペナルティベースの制約は、物理的優先事項を深くエンコードすることに苦慮している。 この目的のために、相互作用する粒子理論にインスパイアされた拡散対流反応(DCR)システムを通して、意見力学を解釈するための物理的視点を提供する。 ニューラル・オプティクス(Neural ODEs)を基盤として,ニューラルネットワークと物理先行を協調するニューラル・オプティカル・オプティカル・オプティカル・オプティカル・オプティカル・オプティカル・オプティカル・オプティカル・モデル(OPINN)を定義した。 OPINNは、実世界のデータセットと合成データセットに基づいて、意見進化予測における最先端のパフォーマンスを達成し、サイバー、物理、社会システムのネクサスに有望なパラダイムを提供する。

関連論文リスト

• Self-Organising Memristive Networks as Physical Learning Systems [0.8752279866335758]
  物理システムによる学習は、物理基板の本質的な非線形ダイナミクスを学習に活用しようとする、新たなパラダイムである。 このパースペクティブは、抵抗性メモリナノスケールコンポーネントからなる物理ネットワークを用いた有望なアプローチである。 この視点の全体的目的は、ナノテクノロジー、統計物理学、複雑なシステム、そして自己組織化原理の収束が、いかにして新しい世代の物理知能技術を前進させるユニークな機会を提供するかを示すことである。
  論文  参考訳（メタデータ） (2025-08-31T08:44:02Z)
• Epi$^2$-Net: Advancing Epidemic Dynamics Forecasting with Physics-Inspired Neural Networks [9.990138127942288]
  Epi$2$-Netは、物理にインスパイアされたニューラルネットワーク上に構築されたエピデミック予測フレームワークである。 Epi$2$-Netは、流行予測における最先端の手法より優れている。
  論文  参考訳（メタデータ） (2025-08-04T04:32:18Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Structured Kolmogorov-Arnold Neural ODEs for Interpretable Learning and Symbolic Discovery of Nonlinear Dynamics [3.507097894538744]
  構造化状態空間モデリングをKAN(Kolmogorov-Arnold Networks)と統合するフレームワークを提案する。 SKANODEは、全トレーニング可能なkanをユニバーサル関数近似器として使用し、仮想センシングを行い、変位や速度などの解釈可能な物理量に対応する潜在状態を回復する。 シミュレーションおよび実世界のシステムに関する実験は、SKANODEが優れた予測精度を達成し、物理に一貫性のある力学を発見し、複雑な非線形挙動を明らかにすることを示した。
  論文  参考訳（メタデータ） (2025-06-23T06:42:43Z)
• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  神経科学とAIの両方では、ニューロン間の'バインディング'が、ネットワークの深い層においてより抽象的な概念を表現するために表現を圧縮する、競争的な学習の形式につながることが知られている。 完全に接続された畳み込みや注意機構などの任意の接続設計とともに人工的再考を導入する。 このアイデアは、教師なしオブジェクト発見、敵対的ロバスト性、不確実性、定量化、推論など、幅広いタスクにわたるパフォーマンス改善を提供する。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
  スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。 本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
  論文  参考訳（メタデータ） (2024-09-17T04:48:45Z)
• ContPhy: Continuum Physical Concept Learning and Reasoning from Videos [86.63174804149216]
  ContPhyは、マシン物理常識を評価するための新しいベンチマークである。 私たちは、さまざまなAIモデルを評価し、ContPhyで満足なパフォーマンスを達成するのに依然として苦労していることがわかった。 また、近年の大規模言語モデルとパーティクルベースの物理力学モデルを組み合わせるためのオラクルモデル(ContPRO)を導入する。
  論文  参考訳（メタデータ） (2024-02-09T01:09:21Z)
• Bayesian Physics-Informed Neural Networks for real-world nonlinear dynamical systems [0.0]
  ニューラルネットワーク、物理情報モデリング、ベイズ推論を組み合わせることで、データ、物理、不確実性を統合します。 本研究は,ニューラルネットワーク,ベイジアン推論,および両者の組み合わせの固有の長所と短所を明らかにする。 我々は、基礎となる概念や傾向が、より複雑な疾患の状況に一般化されることを期待する。
  論文  参考訳（メタデータ） (2022-05-12T19:04:31Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• Physics-guided Deep Markov Models for Learning Nonlinear Dynamical Systems with Uncertainty [6.151348127802708]
  我々は物理誘導型Deep Markov Model(PgDMM)という物理誘導型フレームワークを提案する。 提案手法は,動的システムの駆動物理を維持しながら,ディープラーニングの表現力を利用する。
  論文  参考訳（メタデータ） (2021-10-16T16:35:12Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。