智能体网络里的信息级联可以预测了:单智能体响应必须带上它关注多少人
在由大语言模型驱动的智能体构成的社交网络上,一条帖子能否扩散取决于每个智能体看到多少关注对象已经转发。此前预测集体行为时,通常只测一条与关注人数无关的响应曲线,或在一个所有人彼此可见的大群体里测一次。把响应按关注人数分别测量后,再代入网络级联的平均场理论,就能复现完整大语言模型模拟的级联规模与引爆种子比例;忽略关注人数的响应则在度分布越不均匀的网络上错得越多。
在由大语言模型驱动的智能体构成的社交网络上,一条帖子能否扩散取决于每个智能体看到多少关注对象已经转发。此前预测集体行为时,通常只测一条与关注人数无关的响应曲线,或在一个所有人彼此可见的大群体里测一次。把响应按关注人数分别测量后,再代入网络级联的平均场理论,就能复现完整大语言模型模拟的级联规模与引爆种子比例;忽略关注人数的响应则在度分布越不均匀的网络上错得越多。
医学影像分类的卷积网络解释图有了新的训练方式:SalientNet不依赖人工标注的显著图,而是要求生成的掩码保留足够信息,让冻结的分类器在受控容差内复现原预测。在BreakHis、Brain MRI ND5和FracAtlas三个数据集上,它相对Grad-CAM、Grad-CAM++和LIME在多数数据集与网络组合中取得更高的忠实度(Win %)和更低的预测下降(Drop %),并在FracAtlas上与医生标注的骨折区域呈现较强空间相关,ResNet-18的平均真值活跃比例最高达0.96。
已读完全部报道