查看“WikiEdge:ArXiv速递/2025-05-05”的源代码

== 摘要 ==
* '''原文标题'''：A longitudinal analysis of misinformation, polarization and toxicity on Bluesky after its public launch
* '''中文标题'''：Bluesky公开上线后错误信息、极化与毒性的纵向分析
* '''发布日期'''：2025-05-05 02:21:44+00:00
* '''作者'''：Gianluca Nogara, Erfan Samieyan Sahneh, Matthew R. DeVerna, Nick Liu, Luca Luceri, Filippo Menczer, Francesco Pierri, Silvia Giordano
* '''分类'''：cs.SI, 62P25, 91D30, H.3.5; K.4.1; K.6.5
*'''原文链接'''：http://arxiv.org/abs/2505.02317v1
'''中文摘要'''：[[Bluesky]]是一个[[去中心化]]的类[[Twitter]][[社交媒体平台]]，其[[用户规模]]近期快速增长。在经历[[邀请制]]阶段后，该平台于2024年2月6日正式向公众开放，[[用户基数]]随之显著扩大。本文通过[[纵向分析]]方法，研究了平台开放前后两个月内的[[用户活动]]，揭示其快速扩张过程中的演变特征。分析表明：Bluesky的[[用户活动分布]]与成熟[[社交平台]]相似，但[[原创内容]]比例高于[[转发内容]]，且平台[[毒性水平]]较低。我们进一步考察了[[用户群体]]的[[政治倾向]]、[[不实信息]]传播机制以及[[有害对话]]参与情况。研究发现：Bluesky用户总体呈现[[左倾]]政治倾向，且倾向于分享[[高可信度]][[信源]]。平台开放后，[[新增用户]]（尤其是使用[[英语]]和[[日语]]发文的用户）推动[[活动量]]激增，其中部分[[账户]]表现出[[可疑行为]]特征（如[[批量关注]]用户、分享[[低可信度]][[新闻内容]]等）。目前部分[[问题账户]]已被标记为[[垃圾账号]]或[[封禁]]，表明平台的[[内容审核]]机制已产生实效。

== 摘要 ==
* '''原文标题'''：Exploring the role of low-lying intrinsic degrees of freedom and their impact on fusion cross-sections
* '''中文标题'''：低激发内禀自由度及其对熔合截面影响的研究
* '''发布日期'''：2025-05-05 05:20:44+00:00
* '''作者'''：Nishu Jain, M. Bhuyan, Raj Kumar
* '''分类'''：nucl-th
*'''原文链接'''：http://arxiv.org/abs/2505.02371v1
'''中文摘要'''：本研究重点探讨低激发[[内禀自由度]]及其对[[熔合动力学]]的影响。采用[[耦合通道]]程序[[CCFULL]]计算了四种特定反应（$^{18}$O+$^{74}$Ge、$^{18}$O+$^{148}$Nd、$^{18}$O+$^{182}$W和$^{18}$O+$^{186}$W）在[[库仑势垒]]以下不同能级的[[熔合截面]]。通过研究[[振动]]与[[转动]]特征随能量的变化规律，区分了二者对熔合特性的不同影响。结果表明：$^{74}$Ge、$^{148}$Nd、$^{182}$W和$^{186}$W核的[[理论计算]]与[[实验数据]]高度吻合（尤其对$2^+$[[激发态]]），其他激发态（$4^+$和$6^+$）虽存在微小偏差但整体一致性显著。研究还发现：不同量级的[[十六极形变]]对熔合截面具有显著影响——当$\beta_4$为正值时，$6^+$以上[[转动能级]]对截面影响微弱，导致[[序列通道]]贡献存在显著差异；而$\beta_4$为负值时，直至$2^+$态的转动能级均会显著改变熔合特性。此外，分析还延伸至激发态与[[基态]]间相对变化量（$\Delta\sigma_{fus}$）的估算，涵盖考虑与忽略[[耦合项]]两种情况。

== 摘要 ==
* '''原文标题'''：Sparse Ellipsoidal Radial Basis Function Network for Point Cloud Surface Representation
* '''中文标题'''：稀疏椭球径向基函数网络在点云表面表示中的应用
* '''发布日期'''：2025-05-05 04:16:16+00:00
* '''作者'''：Bobo Lian, Dandan Wang, Chenjian Wu, Minxin Chen
* '''分类'''：cs.GR, cs.CV, cs.LG
*'''原文链接'''：http://arxiv.org/abs/2505.02350v1
'''中文摘要'''：[[点云]]表面表示是[[计算机图形学]]和[[视觉]]领域的基础问题。本文提出一种[[机器学习]]方法，利用[[稀疏]]椭球[[径向基函数]]网络逼近点云的[[符号距离函数]]（[[SDF]]），实现紧凑而精确的表面表示。给定由点云构建的[[网格]]点上定义的SDF值，我们的方法以尽可能少的椭球径向基函数（[[ERBF]]）精确逼近SDF，即通过稀疏ERBF表示点云的SDF。为平衡稀疏性与逼近精度，引入[[动态多目标优化]]策略，自适应添加[[正则项]]并联合优化ERBF的权重、中心、形状和方向。为提高计算效率，采用基于[[最近邻]]的[[数据结构]]，将函数计算限制在每个[[高斯核]]中心附近的点上。每个核的计算进一步在[[CUDA]]上并行化，显著提升优化速度。此外，设计了基于分层[[八叉树]]的细化训练策略：先在八叉树晶格结构的粗网格点上进行[[网络参数]]初始化与优化，随后逐步加入精细格点以加速[[模型收敛]]并提升[[训练效率]]。在多个[[基准数据集]]上的大量实验表明，本方法在精度、[[鲁棒性]]和计算效率方面优于现有稀疏表示方法。相关代码已开源：https://github.com/lianbobo/SE-RBFNet.git。