热点事件持续更新
耗散知识动力学模型的可辨识性研究
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
该研究将人类学习建模为含概念迁移矩阵、逐概念遗忘率和饱和练习响应增益的非线性耗散常微分方程系统。研究证明在显式激励条件下参数可结构辨识，并在双概念情形给出闭式恢复。数值方面提出半隐式 L-stable 格式与批量求解器，预测逐位精确、梯度达 10^-10，速度提升两个数量级，可支持 10^5 学习者规模估计。
AI 根据报道生成 · 2 小时前更新
最新进展10月8日 12:00
研究提出设计激励下参数精确恢复方法，并实现高效数值求解与大规模估计。报道时间线
沿着报道，了解事件的不同侧面。
10月8日
- arXiv · Statistics Machine Learning耗散知识动力学模型的可辨识性：设计激励下的精确恢复与观测数据上的退化
研究将人类学习建模为含概念迁移矩阵、逐概念遗忘率和饱和练习响应增益的非线性耗散常微分方程系统，并证明在显式激励条件下参数可结构辨识，双概念情形给出闭式恢复。数值上提出半隐式 L-stable 格式与批量求解器，预测逐位精确、梯度达 $10^{-10}$，速度提升两个数量级，可支持 $10^5$ 学习者规模估计。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。