哈密顿动力学模型捕捉用户偏好惯性
_reachsumit · x · 2026-08-27
这篇论文提出了一种新的序列推荐模型 HSR，将用户偏好演化重新概念化为耗散哈密顿系统。模型将偏好分解为位置（稳定偏好）和动量（短期倾向），通过二阶动力学系统捕捉现有模型无法完全捕捉的惯性、周期性行为和突然偏移。该设计在频率域具有闭式解，并包含可学习的耗散机制来模拟兴趣衰减。实验表明，HSR 在三个基准数据集上优于基于 Transformer 和状态空间模型 (SSM) 的方法。
「研究」频道最新
- 斯坦福与 Arc Institute 用 AI 设计出 16 个可杀耐药菌的噬菌体 — emmanuelvivier · 2026-09-21
- EvalSeal 开源:LLM 评测可信度回执,20 例边界判定 5 例翻车 — Fit_Fortune953 · 2026-09-21
- Program-as-Weights:0.6B 模型本地性能媲美 32B 提示,内存仅 1/50 — yuntiandeng · 2026-09-21
- 深度学习不确定性量化系统综述:安全关键场景的关键短板 — burkov · 2026-09-21
- PAW 新玩法:描述任务即可编译出本地可复用的 CPU 函数 — yuntiandeng · 2026-09-21
- HEAL：多模态幻觉源于「协同头」信息分布漂移，注入校准因子可缓解 — SUAT-SZ · 2026-09-21