首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Scan Order in Gibbs Sampling: Models in Which it Matters and Bounds on How Much(笔记)

Scan Order in Gibbs Sampling: Models in Which it Matters and Bounds on How Much(笔记)

作者头像
Gxjun
发布于 2018-10-09 03:27:12
发布于 2018-10-09 03:27:12
4580
举报
文章被收录于专栏:mlml

title:  学习和预测社交网络中的意见动态

背景介绍:

    这篇文章的作者通过对当前的在线新闻和社交媒体平台新闻的观察,基于:“社交媒体用户经常通过学习朋友分享的观点来更新自己对某一特定话题的看法” ,  提出了一个构想:"我们能否学习一个数据驱动的意见动态模型,能够准确地预测用户的意见?",本文就是作者围绕这个问题,来搭建了一个网络模型———— 一种舆论动力学的概率建模框架-斜率模型(SLANT 3),该框架通过标记跳跃扩散随机微分方程表示用户的意见,并允许根据历史细粒度事件数据进行有效的模型模拟和参数估计。然后,我们利用我们的框架,推导出一套有效的预测公式,用于意见预测,并确定意见在何种情况下收敛到稳定状态。从Twitter收集的数据的实验表明,我们的模型对数据提供了一个很好的拟合,我们的公式实现了比替代方案更精确的预测。

模型的详细思路:    

  这个模型将用户的潜在意见,用一组一组标记跳跃随机微分方程(SDES)驱动的连续时间随机过程[14]来表示。这种结构允许每个用户的潜在意见随着时间的推移被邻居异步表达的意见作为情感信息加以调整。在这里,每当用户通过发布情感信息来表达自己的观点时,她都会对自己当前潜在的观点做出一种杂乱无章的估计。然后,利用模型的一个关键属性-马尔可夫性质-来开发:

  1.通过凸规划找到最大可能产生一组(数百万)情感信息的参数的有效估计过程。

  2.一个可扩展的模拟过程,可以在几分钟内从模型中抽取数百万条情感信息。

  3.一套新的预测公式,用于有效和准确的舆论预测,也可用于确定意见在何种情况下收敛到稳定的共识或两极分化状态。

先关工作:

   在这部分,作者描述了一些以前模型的惯用套路,应该是想做突出一下自己的创新点吧.

 以前的模型通常有以下限制:

  1. 不区分潜在意见和情绪(或表示意见),这是对意见的一种嘈杂的观察(例如,大拇指向上/向下,文本情感);

       2. 认为用户的意见是在离散时间内同步更新的,但是,意见可以按照复杂的时间模式异步更新。

       3. 模型参数很难从真正的细粒度数据中学习,而是任意设置,因此,它们提供了不准确的细粒度预测。

       4.  只分析用户意见的稳态,而忽略了真实舆论动态的瞬态行为,这使得舆论预测方法成为可能。最近,在设计模型方面做出了一些努力,克服了上述一些限制,并提供了更准确的预测[7,8]。然而,他们没有区分意见和感情,仍然认为意见是在离散时间内同步更新的。我们的建模框架解决了上述局限性,并通过这样做,实现了比替代方案更准确的意见预测。

Proposed model :

     在这部分,讲述了作者模型的着陆点.

  在这一部分中,作者首先从设计的数据出发,建立了他们的意见动力学模型,然后介绍了模型参数估计和模型仿真的有效方法。

  作者所用数据介绍:(Opinions data 评论数据)

    给出一个定向的社交网络: G = (V, E) , 并将每条消息(评论)记录为e:=(u,m,t) ,这个表示着,u属于V,在时间t上发布了带有情感的消息m。

给定消息集合 {e1=(u1,m1,t1),.,en=(un,mn,tn)},历史Hu(T)收集用户u发送到但不包括时间t的所有消息,即,

       H u (t) = {ei = (ui, mi , ti ) | ui = u  && ti < t};H(T):=∪u∈V  Hu(T)表示消息的全部历史,但不包括时间t。

 。。。记录中.

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2018-09-16 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
R语言有状态依赖强度的非线性、多变量跳跃扩散过程模型似然推断分析股票价格波动
跳跃扩散过程为连续演化过程中的偏差提供了一种建模手段。但是,跳跃扩散过程的微积分使其难以分析非线性模型。本文开发了一种方法,用于逼近具有依赖性或随机强度的多变量跳跃扩散的转移密度。通过推导支配过程时变的方程组,我们能够通过密度因子化来近似转移密度,将跳跃扩散的动态与无跳跃扩散的动态进行对比。在这个框架内,我们开发了一类二次跳跃扩散,我们可以计算出对似然函数的精确近似。随后,我们分析了谷歌股票波动率的一些非线性跳跃扩散模型,在各种漂移、扩散和跳跃机制之间进行。在此过程中,我们发现了周期性漂移和依赖状态的跳跃机制的依据。
拓端
2021/07/16
9060
R语言有状态依赖强度的非线性、多变量跳跃扩散过程模型似然推断分析股票价格波动
有限元法(FEM)
空间和时间相关问题的物理定律通常用偏微分方程(PDE)来描述。对于绝大多数的几何结构和所面对的问题来说,可能无法求出这些偏微分方程的解析解。不过,在通常的情况下,可以根据不同的离散化 类型来构造出近似的方程,得出与这些偏微分方程近似的数值模型方程,并可以用数值方法求解。如此,这些数值模型方程的解就是相应的偏微分方程真实解的近似解。有限元法(FEM)就是用来计算出这些近似解的。
技术客
2022/05/19
2.1K0
VideoScene:以三维感知跳跃流蒸馏策略破局,高效弥合从Sparse视图到三维场景的差距!
高效三维重建的需求正迅速增长,这得益于其实时游戏[83]、自主导航[1]等领域的应用[57, 97]。NeRF[59]和3DGS[35]等技术开创了高质量、密集视点重建,并在真实场景生成中展现出令人印象深刻的性能。然而,这些方法通常需要大量专业拍摄的图像,限制了其可及性[84]。为克服这一限制,研究行人开始探索从Sparse视点进行三维重建[13, 84, 95, 99],将输入要求降低至仅需两张随意拍摄的图像。
未来先知
2025/05/27
790
VideoScene:以三维感知跳跃流蒸馏策略破局,高效弥合从Sparse视图到三维场景的差距!
Chemical Science | SDEGen:基于随机微分方程的构象生成模型
本文介绍一篇来自浙江大学侯廷军教授、康玉副教授和碳硅智慧联合发表在Chemical Science的论文《SDEGen: Learning to Evolve Molecular Conformations from Thermodynamic Noise for Conformation Generation》。该论文提出了一种将分子力学当中的随机动力学系统和深度学习当中的概率模型相结合的小分子三维构象生成模型:SDEGen。作者采用随机微分方程(Stochastic Differential Equation, SDE)模拟分子构象从热噪声分布到热平衡分布的过程,联合概率深度学习的最新DDIM(Denoising Diffusion Implicit Models)模型,不仅提高了模型生成构象的效率,并且在多项评测任务(包括构象生成质量、原子间距离分布和构象簇的热力学性质)上实现了精度的提升。如在构象生成质量上,其多样性指标优于传统方法22%,准确性指标优于传统方法40%;在热力学性质预测方面,将传统方法的精度提升了一个数量级,与量化计算的结果误差缩小至~2kJ/mol。除此之外,这篇文章还引入了晶体构象的比对实验和势能面分布实验,为构象生成任务的评测提供了更多维及更物理的视角。大量的实验表明,SDEGen不仅可以搜索到小分子晶体构象所在的势能面的势阱当中,还可以搜索到完整势能面上多个局域优势构象。同时,SDEGen模型计算效率极高,在分子对接、药效团识别、定量构效关系等药物设计任务中具有广泛的应用前景。
DrugAI
2023/02/17
9690
Chemical Science | SDEGen:基于随机微分方程的构象生成模型
细粒度情感分析在到餐场景中的应用
经典的细粒度情感分析(ABSA,Aspect-based Sentiment Analysis)主要包含三个子任务,分别为属性抽取、观点抽取以及属性-观点对的情感倾向判定三个级联任务。
美团技术团队
2021/12/13
1.8K0
细粒度情感分析在到餐场景中的应用
每日学术速递4.24
作者:Ziqi Huang, Kelvin C.K. Chan, Yuming Jiang, Ziwei Liu
AiCharm
2023/05/15
2460
每日学术速递4.24
nature reviews neuroscience|数据驱动的神经退行性疾病进展模型:跳出黑匣子思考
数据驱动的疾病进展模型是一组新兴的计算工具,可重建长期慢性疾病的疾病时间线,为了解疾病过程及其潜在机制提供独特的见解。这种方法将人类的先验知识和假设与大规模数据处理和参数估计相结合,从短期数据推断出长期的疾病轨迹。与“黑匣子”机器学习工具相比,数据驱动的疾病进展模型通常需要更少的数据,并且本身具有可解释性,因此除了实现分类、预测和分层之外,还有助于理解疾病。在这篇综述中,我们将当前数据驱动的疾病进展模型置于一个总体框架中,并讨论了与构建静态疾病轮廓的更广泛的机器学习工具相比,它们在构建疾病时间轴方面的增强效用。我们回顾了它们在多种神经退行性疾病(尤其是阿尔茨海默病)中的应用,如确定疾病生物标志物的时间轨迹、检验关于疾病机制的假设和发现疾病亚型。我们概述了技术发展的关键领域,并将其转化为更广泛的神经科学和非神经科学应用。最后,我们讨论了将疾病进展模型纳入临床实践和试验设置的潜在途径和障碍。
悦影科技
2024/05/16
5660
百年微分方程难题被解决!神经元相互作用方式有了解析解描述,作者:可以模拟大脑动力学了 | MIT
这个微分方程可以用来模拟神经元间通过突触的相互作用方式,换言之就是大脑传递信息的过程。现实生活中有诸多应用场景,比如自动驾驶、大脑和心脏的监测等。
量子位
2022/12/09
4900
百年微分方程难题被解决!神经元相互作用方式有了解析解描述,作者:可以模拟大脑动力学了 | MIT
Michael Brostein 最新几何深度学习综述:超越 WL 和原始消息传递的 GNN
如何突破基于 WL 测试和消息传递机制的 GNN 的性能瓶颈?且看几何深度学习旗手、牛津大学教授 Michael Brostein 如是说。 编译丨OGAI 编辑丨陈彩娴 图可以方便地抽象关系和交互的复杂系统。社交网络、高能物理、化学等研究领域都涉及相互作用的对象(无论是人、粒子还是原子)。在这些场景下,图结构数据的重要性日渐凸显,相关方法取得了一系列初步成功,而一系列工业应用使得图深度学习成为机器学习方向的热门研究话题之一。 图注:通过图对复杂系统的关系、交互进行抽象。例如,「分子图」中构成分子的原子至
AI科技评论
2022/03/10
5140
多模态大语言模型框架:攻克电影配音难题,多数据集指标显著超越现有最优方法!
配音涉及为视频中的对话添加正确的人类声音,确保与角色的唇部动作同步,并传达场景中的情感。它在电影、电视、动画和游戏中发挥着至关重要的作用,增强了沉浸感,并有效传达情感和氛围。现有的配音方法可以分为两类,这两类都专注于学习不同风格的关键先验信息以生成高质量的声音。第一类专注于学习有效的说话人风格表示[7, 15, 23, 60]。第二类旨在利用给定视频输入的视觉信息来学习适当的韵律[15, 25, 37, 70]。然而,这些先验信息的准确性不足以满足现实场景中电影配音的需求。例如,针对不同类型(如对话、旁白和独白)以及细粒度属性(如期望的年龄和性别)的自适应配音尚未得到充分研究[17, 25]。
AIGC 先锋科技
2025/05/22
1630
多模态大语言模型框架:攻克电影配音难题,多数据集指标显著超越现有最优方法!
社会化推荐浅谈
不知道大家有没有这样的感觉,本人一直觉得社交网络这个东西是一个很有意思的玩意儿,起初觉得它有意思也可能是由于这个可爱的名词-Social Network,也可能是被五颜六色的社交网络示意图所吸引,总之并没有什么高大上的名词来解释我对于它的喜爱。也正是由于这种莫名的好感,基于社交网络的推荐系统也成了我后来硕士阶段研究的课题。随着后续学习与研究的深入,逐渐了解到了社交网络中包含的有意思的结论以及所蕴含的强大知识,也更加确定了自己对于这一领域的喜欢。
张小磊
2019/12/25
1K0
WWW 2024 | 时间序列(Time Series)和时空数据(Spatial-Temporal)论文总结
WWW 2024已经放榜,本次会议共提交了2008篇文章,Research tracks共录用约400多篇论文,录用率为20.2%。本次会议将于2024年5月13日-17日在新加坡举办。
时空探索之旅
2024/11/19
2800
WWW 2024 | 时间序列(Time Series)和时空数据(Spatial-Temporal)论文总结
多尺度动力学模型表征空间细胞稳态|Nat. Methods
接下来,分析了上皮-间充质转化(EMT)过程中的模拟基因调控回路,其中三个吸引子,分别表示为上皮(E),间充质(M)和中间细胞状态(ICS),可能在某些参数范围内共存。与scVelo计算的RNA速率相比,STT平均速率明显恢复了这三个吸引子。总的来说,STT能够重建单细胞基因表达数据集中复杂的多稳态细节。
追风少年i
2024/05/22
2390
多尺度动力学模型表征空间细胞稳态|Nat. Methods
使用图神经网络从稀疏数据中学习连续时间偏微分方程
这是一篇在2020年发表在ICLR的论文,论文使用图神经网络从稀疏数据中学习连续时间偏微分方程,文章提出的模型主要创新点是允许任意空间和时间离散化,也就是说在求解偏微分划分网格时,网格可以是不均匀的,由于所求解的控制方程是未知的,在表示控制方程时,作者使用了消息传递的图神经网络进行参数化。
deephub
2022/03/12
4430
使用图神经网络从稀疏数据中学习连续时间偏微分方程
BAYESFLOW:使用可逆神经网络学习复杂随机模型
BAYESFLOW: LEARNING COMPLEX STOCHASTIC MODELS WITH INVERTIBLE NEURAL NETWORKS BAYESFLOW:使用可逆神经网络学习复杂随机模型 https://arxiv.org/pdf/2003.06281
CreateAMind
2024/05/22
3650
BAYESFLOW:使用可逆神经网络学习复杂随机模型
上交大/哈佛/鹏程实验室提出 MEMO-Bench:一种基于文本到图像和多模态大语言模型的人类情绪分析基准 !
目前,人工智能(AI)在多个领域的能力已经达到了与人类相当的水平,甚至有些领域超过了人类,这表明它具有一定程度的理性思维。然而,理性思维的存在并不等同于完全的“智能”,因为AI是否真正体验情感这个问题仍未得到解决。在实际应用中,如人机交互(HCI)和具身智能,以及沉浸式媒体设计(如虚拟数字人)中,用户情感在塑造AI决策过程中起着关键作用。不幸的是,大多数现有交互系统主要依赖文本界面[47],而不是利用多模态信息(如视觉和听觉线索),有效地捕捉和理解情感变化。这种局限性极大地限制了这些系统的情感理解能力。多模态大型语言模型(MLLMs)的出现为情感 Aware 交互带来了新的可能性,使AI能够可能理解人类情感。然而,这种能力的范围仍然 largely unexplored。现有研究[37]主要关注评估MLLMs识别和分类情感的能力,往往忽视了它们在更细粒度理解情感方面的能力。此外,情感理解的需求不仅限于MLLMs,还包括文本到图像(T2I)模型,这些模型越来越用于生成传达特定情感状态的角色肖像。因此,评估AI的情绪分析能力应包括MLLMs和T2I模型,因为两者都是推动情感 Aware AI系统发展的关键。
未来先知
2025/01/07
3820
上交大/哈佛/鹏程实验室提出 MEMO-Bench:一种基于文本到图像和多模态大语言模型的人类情绪分析基准 !
面向可解释的NLP:北大、哈工大等提出文本分类的生成性解释框架
【导语】北大、哈工大和加州大学圣巴巴拉分校在 ACL 2019 的一篇论文中联合提出了一个全新的生成性解释框架,该框架能够对分类策略进行学习,并同时提供细粒度的解释。这项研究还提供了解释因子以及最小化风险训练(minimum risk training)方法,以便进行学习并产生更加合理的解释。
AI科技大本营
2019/08/20
1.5K0
面向可解释的NLP:北大、哈工大等提出文本分类的生成性解释框架
DeepMind最新研究登Nature,揭示AI时代科研新范式,开拓未知领域,带来全新挑战
8月2日,谷歌团队研究人员在Nature上发表了一项研究——人工智能时代的科学发现,总结了AI在科学发现中的应用和进展。
新智元
2023/09/09
3010
DeepMind最新研究登Nature,揭示AI时代科研新范式,开拓未知领域,带来全新挑战
每日学术速递12.8
1.DreamSync: Aligning Text-to-Image Generation with Image Understanding Feedback
AiCharm
2023/12/13
2250
每日学术速递12.8
论文 | 一切皆可连接:图神经网络 | 大牛GAT作者Petar Velickovic最新综述
在许多方面,图是我们从自然界接收数据的主要形式。这是因为我们看到的大多数模式,无论是在自然系统还是人工系统中,都可以使用图结构语言来优雅地表示。突出的例子包括分子(表示为原子和键的图)、社交网络和运输网络。这种潜力已经被主要的科学和工业团体看到,其已经受到影响的应用领域包括流量预测、药物发现、社交网络分析和推荐系统。此外,前几年机器学习最成功的一些应用领域——图像、文本和语音处理——可以被视为图表示学习的特例,因此这些领域之间存在大量的信息交换。这项简短调查的主要目的是使读者能够吸收该领域的关键概念,并在相关领域的适当背景下定位图表示学习。
数据派THU
2023/12/19
8210
论文 | 一切皆可连接:图神经网络 | 大牛GAT作者Petar Velickovic最新综述
推荐阅读
R语言有状态依赖强度的非线性、多变量跳跃扩散过程模型似然推断分析股票价格波动
9060
有限元法(FEM)
2.1K0
VideoScene:以三维感知跳跃流蒸馏策略破局,高效弥合从Sparse视图到三维场景的差距!
790
Chemical Science | SDEGen:基于随机微分方程的构象生成模型
9690
细粒度情感分析在到餐场景中的应用
1.8K0
每日学术速递4.24
2460
nature reviews neuroscience|数据驱动的神经退行性疾病进展模型:跳出黑匣子思考
5660
百年微分方程难题被解决!神经元相互作用方式有了解析解描述,作者:可以模拟大脑动力学了 | MIT
4900
Michael Brostein 最新几何深度学习综述:超越 WL 和原始消息传递的 GNN
5140
多模态大语言模型框架:攻克电影配音难题,多数据集指标显著超越现有最优方法!
1630
社会化推荐浅谈
1K0
WWW 2024 | 时间序列(Time Series)和时空数据(Spatial-Temporal)论文总结
2800
多尺度动力学模型表征空间细胞稳态|Nat. Methods
2390
使用图神经网络从稀疏数据中学习连续时间偏微分方程
4430
BAYESFLOW:使用可逆神经网络学习复杂随机模型
3650
上交大/哈佛/鹏程实验室提出 MEMO-Bench:一种基于文本到图像和多模态大语言模型的人类情绪分析基准 !
3820
面向可解释的NLP:北大、哈工大等提出文本分类的生成性解释框架
1.5K0
DeepMind最新研究登Nature,揭示AI时代科研新范式,开拓未知领域,带来全新挑战
3010
每日学术速递12.8
2250
论文 | 一切皆可连接:图神经网络 | 大牛GAT作者Petar Velickovic最新综述
8210
相关推荐
R语言有状态依赖强度的非线性、多变量跳跃扩散过程模型似然推断分析股票价格波动
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档