XiaoMi-AI文件搜索系统
World File Search SystemReplicate
基于生成代理的建模可以在社交媒体模拟中复制友谊悖论吗？
基于生成代理的建模（GABM）是一种新兴的模拟范式，将大型语言模型的推理能力与传统的基于代理的建模相结合，以复制复杂的社交行为，包括在社交媒体上进行互动。虽然先前的工作集中在局部现象（例如意见形成和信息传播）上，但其捕获全球网络动态的潜力仍然没有被逐渐消失。本文通过通过友谊悖论（FP）的角度分析基于GABM的社交媒体模拟来弥补这一差距，这是一种违反直觉现象，平均而言，个人的朋友比朋友的朋友少。我们为社交模拟的GABM框架提出了一个框架，其特征是模仿具有不同个性和兴趣的真实用户的生成代理。使用美国2020年选举和Qanon阴谋的Twitter数据集，我们表明FP自然出现在GABM模拟中。与现实世界的观察一致，模拟揭示了一个分层结构，在该结构中，代理优先与其他表现出更高活动或影响的人相连。此外，我们发现不频繁的连接主要驱动FP，反映了真实网络中的模式。这些发现将GABM验证为建模全球社交媒体现象的强大工具，并通过对用户行为进行细微的分析来强调其推进社会科学的潜力。
复制数据的分布式量子证明-Eprints
本文解决了检查网络几个节点上复制的大数据集的所有副本的问题。复制品可以位于远处节点的事实可防止系统在本地验证其平等性，即通过让每个节点仅咨询其附近的节点。另一方面，仍然可以将证书分配给节点，因此可以在本地实现验证复制品的一致性。但是，我们表明，由于复制的数据是大的，包括分布式的Merlin-Arthur协议在内的经典认证机制，因此不能同时保证良好的完整性和合理性，除非它们使用非常大的证书。本文的主要结果是分布式的量子Merlin-Arthur协议，使节点能够基于小型证书，以及在邻居之间的一轮消息交换中共同检查复制品的一致性，并带有简短消息。尤其是，认证大小的数据集的大小是对数，这比经典的认证机制具有指数优势。我们提出了另一个基本量子原始词（称为掉期测试）的用法，以显示我们的主要结果。
复制，步行并停止语法：一个有效的方面情感分类的神经网络模型
方面级别的情感分类（ALSC）旨在预测句子中发生的特定方面术语的情感极性。此任务需要通过汇总有关该方面术语的相关上下文特征来学习表示形式。现有的方法不能充分利用句子的句法结构，因此很难区分源头中多个方面的不同情感。我们感知到先前方法的局限性，并提出了一个关于在句法结构的帮助下发现至关重要的上下文中的假设。为此，我们提出了一个名为Repwalk的神经网络模型，该模型在语法图上执行复制的随机步行，以有效地关注信息性上下文单词。em-pirical研究表明，我们的模型在大多数基准数据集上的最新模型都优于ALSC任务。结果表明，我们合并语法结构的方法丰富了分类的表示。