查看“WikiEdge:ArXiv速递/2025-02-26”的源代码

== 摘要 ==
* '''原文标题'''：Helium Abundance Periods Observed by the Solar Probe Cup on Parker Solar Probe: Encounters 1-14
* '''中文标题'''：帕克太阳探测器上的太阳探测杯观测到的氦丰度周期：第1至14次遭遇
* '''发布日期'''：2025-02-26 19:00:10+00:00
* '''作者'''：Madisen Johnson, Yeimy J. Rivera, Tatiana Niembro, Kristoff Paulson, Samuel T. Badman, Michael L. Stevens, Isabella Dieguez, Anthony Case, Stuart D. Bale, Justin Kasper
* '''分类'''：astro-ph.SR, physics.space-ph
*'''原文链接'''：http://arxiv.org/abs/2502.19492v1
'''中文摘要'''：[[帕克太阳探测器]]是一项旨在以前所未有的近距离探索[[太阳风]]特性的任务。[[太阳探测杯]]（SPC）的详细粒子观测主要集中在研究太阳风中的[[质子]]群体。然而，在帕克任务的多个阶段中，SPC观测到了一个显著且独特的完全电离[[氦]]（He$^{2+}$）群体。微量离子携带着太阳风源区的特性以及外流过程中的活跃机制，使其成为[[太阳起源]]和形成的敏感标志。通过对He$^{2+}$速度分布函数的详细分析，本研究考察了SPC观测到显著且持续He$^{2+}$峰值的时期。我们计算了[[氦丰度]]，并研究了流的整体速度、密度、温度、[[磁场拓扑]]和[[电子束]]特性，以识别能够提供其太阳源区洞察的独特太阳风特征。我们发现，几乎所有时期的平均氦组成（$8.34\%$）都高于典型的太阳风，并且大多数（$\sim87\%$）这些时期与[[日冕物质抛射]]相关，最高丰度达到$23.1\%$。随着[[太阳周期]]接近最大值，氦丰度和事件数量增加，且对速度的依赖性较弱。此外，与日冕物质抛射无关的事件集中在[[日球层电流片]]附近，表明它们与[[流带]]外流相关。然而，目前尚无理论能够完全解释观测到的氦丰度范围。

== 摘要 ==
* '''原文标题'''：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
* '''中文标题'''：BatteryLife：一个用于电池寿命预测的综合数据集和基准
* '''发布日期'''：2025-02-26 04:21:20+00:00
* '''作者'''：Ruifeng Tan, Weixiang Hong, Jiayue Tang, Xibin Lu, Ruijun Ma, Xiang Zheng, Jia Li, Jiaqiang Huang, Tong-Yi Zhang
* '''分类'''：cs.LG, cs.AI, cs.DL
*'''原文链接'''：http://arxiv.org/abs/2502.18807v2
'''中文摘要'''：[[电池寿命预测]]（BLP）依赖于[[电池退化测试]]产生的时间序列数据，对于电池的利用、优化和生产至关重要。尽管取得了显著进展，但该研究领域仍面临三个关键挑战。首先，现有数据集的规模有限，阻碍了对现代电池寿命数据的深入理解。其次，大多数数据集仅限于实验室中在有限多样性条件下测试的小容量[[锂离子电池]]，这引发了对研究结果普适性的担忧。第三，研究之间不一致且有限的基准模糊了基线的有效性，并且尚不清楚在其他时间序列领域中流行的模型是否对BLP有效。为了解决这些挑战，我们提出了BatteryLife，一个用于BLP的综合数据集和基准。BatteryLife整合了16个数据集，提供了比之前最大数据集多2.4倍的样本量，并提供了最丰富的电池寿命资源，涵盖8种电池格式、80种化学体系、12种工作温度和646种充放电协议，包括实验室和工业测试。值得注意的是，BatteryLife首次发布了[[锌离子电池]]、[[钠离子电池]]和工业测试的大容量锂离子电池的寿命数据集。借助这一综合数据集，我们重新评估了该领域及其他时间序列领域中流行基线的有效性。此外，我们提出了CyclePatch，一种可应用于一系列神经网络的插件技术。对18种方法的广泛基准测试表明，其他时间序列领域中流行的模型可能不适用于BLP，而CyclePatch一致地提高了模型性能，建立了最先进的基准。此外，BatteryLife还评估了模型在不同老化条件和领域中的性能。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife获取。

== 摘要 ==
* '''原文标题'''：Estimating Nodal Spreading Influence Using Partial Temporal Network
* '''中文标题'''：利用部分时间网络估计节点传播影响力
* '''发布日期'''：2025-02-26 17:48:39+00:00
* '''作者'''：Tianrui Mao, Shilun Zhang, Alan Hanjalic, Huijuan Wang
* '''分类'''：cs.SI, physics.data-an
*'''原文链接'''：http://arxiv.org/abs/2502.19350v1
'''中文摘要'''：[[时间网络]]，其链接随时间激活或停用，用于表示复杂系统，如特定时间发生的[[社会互动]]或[[合作]]。此类网络促进了[[信息]]和[[流行病]]的传播。在给定时间内，从单个[[种子节点]]开始在网络上通过[[传播过程]]感染的平均节点数称为该节点的[[影响力]]。在本文中，我们探讨了如何利用每个节点周围部分观察到的时间网络（局部且持续时间短）来估计节点在长时间内对整个网络的传播影响力排名。这对于[[目标营销]]和[[流行病]]/[[错误信息]]缓解至关重要，因为在这些情况下可能只能获取部分网络信息。这也使我们能够理解在传播过程开始后不久局部观察到的节点的哪些[[网络属性]]决定了其影响力。我们系统地提出了一组基于部分时间网络信息的[[节点中心性]]度量，编码了（时间相关的）[[路径]]的多种属性。研究发现，根据传播过程的[[感染概率]]，不同的中心性度量在估计节点影响力方面表现最佳。在广泛的感染概率范围内，如果一个节点能够通过时间相关的路径到达许多不同的节点，并且这些节点能够较早地被到达，则该节点往往具有影响力。我们发现并解释了为什么所提出的度量通常优于从完整和部分时间网络导出的[[经典中心性]]度量。

== 摘要 ==
* '''原文标题'''：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
* '''中文标题'''：BatteryLife：一个用于电池寿命预测的综合数据集和基准
* '''发布日期'''：2025-02-26 04:21:20+00:00
* '''作者'''：Ruifeng Tan, Weixiang Hong, Jiayue Tang, Xibin Lu, Ruijun Ma, Xiang Zheng, Jia Li, Jiaqiang Huang, Tong-Yi Zhang
* '''分类'''：cs.LG, cs.AI, cs.DL
*'''原文链接'''：http://arxiv.org/abs/2502.18807v2
'''中文摘要'''：[[电池寿命预测]]（BLP）依赖于[[电池退化测试]]产生的时间序列数据，对于电池的利用、优化和生产至关重要。尽管取得了显著进展，但该研究领域仍面临三个关键挑战。首先，现有数据集的规模有限，阻碍了对现代电池寿命数据的深入理解。其次，大多数数据集仅限于实验室中在有限多样性条件下测试的小容量[[锂离子电池]]，这引发了对研究结果普适性的担忧。第三，不同研究之间的基准不一致且有限，模糊了基线的有效性，并且尚不清楚在其他时间序列领域流行的模型是否对BLP有效。为了解决这些挑战，我们提出了BatteryLife，一个用于BLP的综合数据集和基准。BatteryLife整合了16个数据集，样本量是之前最大数据集的2.4倍，并提供了最丰富的电池寿命资源，涵盖8种电池格式、80种化学体系、12种工作温度和646种充放电协议，包括实验室和工业测试。值得注意的是，BatteryLife首次发布了[[锌离子电池]]、[[钠离子电池]]和工业测试的大容量锂离子电池的寿命数据集。借助这一综合数据集，我们重新评估了该领域及其他时间序列领域流行基线的有效性。此外，我们提出了CyclePatch，一种可应用于一系列神经网络的插件技术。对18种方法的广泛基准测试表明，其他时间序列领域流行的模型可能不适用于BLP，而CyclePatch一致地提升了模型性能，建立了最先进的基准。此外，BatteryLife还评估了模型在不同老化条件和领域中的表现。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife获取。

== 摘要 ==
* '''原文标题'''：Estimating Nodal Spreading Influence Using Partial Temporal Network
* '''中文标题'''：使用部分时间网络估计节点传播影响力
* '''发布日期'''：2025-02-26 17:48:39+00:00
* '''作者'''：Tianrui Mao, Shilun Zhang, Alan Hanjalic, Huijuan Wang
* '''分类'''：cs.SI, physics.data-an
*'''原文链接'''：http://arxiv.org/abs/2502.19350v1
'''中文摘要'''：[[时间网络]]，其链接随时间激活或停用，用于表示复杂系统，如特定时间发生的[[社会互动]]或[[合作]]。这种网络促进了[[信息]]和[[流行病]]的传播。从单个[[种子节点]]开始，在给定时间段内通过[[网络传播]]过程感染的[[平均节点数]]称为该节点的[[影响力]]。在本文中，我们探讨了如何利用每个节点周围部分观察到的时间网络（局部且持续时间短）来估计节点在长时间内对整个网络传播影响力的排名。这对于[[目标营销]]和[[流行病]]/[[错误信息]]缓解至关重要，因为在这些情况下可能只能获取部分网络信息。这也使我们能够理解在传播过程开始后不久局部观察到的节点网络属性如何决定其影响力。我们系统地提出了一组基于部分时间网络信息的节点[[中心性]]度量，编码了（时间尊重）[[路径]]的多种属性。研究发现，根据传播过程的[[感染概率]]，不同的中心性度量在估计节点影响力方面表现最佳。在广泛的感染概率范围内，如果一个节点能够通过时间尊重路径到达许多不同的节点，并且这些节点能够尽早到达，则该节点往往具有影响力。我们发现并解释了为什么所提出的度量通常优于从完整和部分时间网络导出的经典中心性度量。

== 摘要 ==
* '''原文标题'''：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
* '''中文标题'''：BatteryLife：一个用于电池寿命预测的综合数据集和基准
* '''发布日期'''：2025-02-26 04:21:20+00:00
* '''作者'''：Ruifeng Tan, Weixiang Hong, Jiayue Tang, Xibin Lu, Ruijun Ma, Xiang Zheng, Jia Li, Jiaqiang Huang, Tong-Yi Zhang
* '''分类'''：cs.LG, cs.AI, cs.DL
*'''原文链接'''：http://arxiv.org/abs/2502.18807v2
'''中文摘要'''：[[电池寿命预测]]（BLP）依赖于[[电池退化测试]]产生的时间序列数据，对电池的利用、优化和生产至关重要。尽管取得了显著进展，但该研究领域仍面临三个关键挑战。首先，现有数据集的规模有限，阻碍了对现代电池寿命数据的深入理解。其次，大多数数据集仅限于实验室中在有限多样性条件下测试的小容量[[锂离子电池]]，这引发了对研究结果普适性的担忧。第三，研究之间不一致且有限的基准模糊了基线的有效性，并且尚不清楚在其他时间序列领域流行的模型是否对BLP有效。为了解决这些挑战，我们提出了BatteryLife，一个用于BLP的综合数据集和基准。BatteryLife整合了16个数据集，样本量是之前最大数据集的2.4倍，并提供了最丰富的电池寿命资源，涵盖8种电池格式、80种化学体系、12种工作温度和646种充放电协议，包括实验室和工业测试。值得注意的是，BatteryLife首次发布了[[锌离子电池]]、[[钠离子电池]]和工业测试的大容量锂离子电池的寿命数据集。借助这一综合数据集，我们重新评估了该领域及其他时间序列领域中流行基线的有效性。此外，我们提出了CyclePatch，一种可应用于一系列神经网络的插件技术。对18种方法的广泛基准测试表明，其他时间序列领域流行的模型可能不适用于BLP，而CyclePatch一致地提高了模型性能，建立了最先进的基准。此外，BatteryLife还评估了模型在不同老化条件和领域中的表现。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife获取。

== 摘要 ==
* '''原文标题'''：Estimating Nodal Spreading Influence Using Partial Temporal Network
* '''中文标题'''：使用部分时间网络估计节点传播影响力
* '''发布日期'''：2025-02-26 17:48:39+00:00
* '''作者'''：Tianrui Mao, Shilun Zhang, Alan Hanjalic, Huijuan Wang
* '''分类'''：cs.SI, physics.data-an
*'''原文链接'''：http://arxiv.org/abs/2502.19350v1
'''中文摘要'''：[[时间网络]]，其链接随时间激活或停用，用于表示复杂系统，如特定时间发生的社会互动或合作。这种网络促进了信息和[[流行病]]的传播。从单个种子节点开始，在给定时间段内通过网络传播过程感染的平均节点数称为该节点的影响力。在本文中，我们探讨了如何利用每个节点周围部分观察到的时间网络（局部且持续时间短），来估计节点在长时间内对整个网络传播影响力的排名。这对于[[目标营销]]和[[流行病]]/[[错误信息]]缓解至关重要，因为在这些情况下可能只能获取部分网络信息。这也使我们能够理解在传播过程开始后不久局部观察到的节点网络属性如何决定其影响力。我们系统地提出了一组基于部分时间网络信息的节点[[中心性]]度量，编码了（时间尊重）路径的多种属性。研究发现，根据传播过程的感染概率，不同的中心性度量在估计节点影响力方面表现最佳。在广泛的感染概率范围内，如果一个节点能够通过时间尊重路径到达许多不同的节点，并且这些节点能够较早地被到达，则该节点往往具有影响力。我们发现并解释了为什么所提出的度量通常优于从完整和部分时间网络导出的经典中心性度量。

== 摘要 ==
* '''原文标题'''：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
* '''中文标题'''：BatteryLife：一个用于电池寿命预测的综合数据集和基准
* '''发布日期'''：2025-02-26 04:21:20+00:00
* '''作者'''：Ruifeng Tan, Weixiang Hong, Jiayue Tang, Xibin Lu, Ruijun Ma, Xiang Zheng, Jia Li, Jiaqiang Huang, Tong-Yi Zhang
* '''分类'''：cs.LG, cs.AI, cs.DL
*'''原文链接'''：http://arxiv.org/abs/2502.18807v2
'''中文摘要'''：[[电池寿命预测]]（BLP）依赖于[[电池退化测试]]产生的[[时间序列数据]]，对于[[电池]]的利用、优化和生产至关重要。尽管取得了显著进展，但该研究领域仍面临三个关键挑战。首先，现有[[数据集]]的规模有限，阻碍了对现代[[电池寿命数据]]的深入理解。其次，大多数数据集仅限于[[实验室]]中在有限多样性条件下测试的小容量[[锂离子电池]]，这引发了对研究结果普适性的担忧。第三，研究之间不一致且有限的[[基准]]模糊了基线的有效性，并且尚不清楚在其他[[时间序列]]领域流行的[[模型]]是否对BLP有效。为了解决这些挑战，我们提出了[[BatteryLife]]，一个用于BLP的综合数据集和基准。BatteryLife整合了16个数据集，样本量是之前最大数据集的2.4倍，并提供了最丰富的[[电池寿命]]资源，涵盖8种[[电池格式]]、80种[[化学系统]]、12种[[工作温度]]和646种[[充放电协议]]，包括实验室和[[工业测试]]。值得注意的是，BatteryLife首次发布了[[锌离子电池]]、[[钠离子电池]]和工业测试的大容量锂离子电池的寿命数据集。借助这一综合数据集，我们重新评估了该领域及其他时间序列领域中流行基线的有效性。此外，我们提出了[[CyclePatch]]，一种可应用于一系列[[神经网络]]的插件技术。对18种方法的广泛基准测试表明，其他时间序列领域流行的模型可能不适用于BLP，而CyclePatch一致地提高了模型性能，建立了最先进的基准。此外，BatteryLife还评估了模型在不同[[老化条件]]和领域中的性能。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife获取。

== 摘要 ==
* '''原文标题'''：Estimating Nodal Spreading Influence Using Partial Temporal Network
* '''中文标题'''：使用部分时间网络估计节点传播影响力
* '''发布日期'''：2025-02-26 17:48:39+00:00
* '''作者'''：Tianrui Mao, Shilun Zhang, Alan Hanjalic, Huijuan Wang
* '''分类'''：cs.SI, physics.data-an
*'''原文链接'''：http://arxiv.org/abs/2502.19350v1
'''中文摘要'''：[[时间网络]]，其链接随时间激活或停用，用于表示复杂系统，如特定时间发生的社会互动或合作。这种网络促进了信息和流行病的传播。在给定时间内，从单个种子节点开始的网络传播过程中感染的平均节点数称为该节点的影响力。在本文中，我们探讨了如何利用每个节点周围部分观察到的时间网络（局部且持续时间短）来估计节点在长时间内对整个网络传播影响力的排名。这对于目标营销和流行病/错误信息缓解至关重要，因为在这些情况下可能只能获取部分网络信息。这也使我们能够理解在传播过程开始后不久局部观察到的节点的哪些网络属性决定了其影响力。我们系统地提出了一组基于部分时间网络信息的节点中心性度量，编码了（时间相关的）路径的多种属性。研究发现，根据传播过程的感染概率，不同的中心性度量在估计节点影响力方面表现最佳。在广泛的感染概率范围内，如果一个节点能够通过时间相关的路径到达许多不同的节点，并且这些节点能够较早地被到达，则该节点往往具有影响力。我们发现并解释了为什么所提出的度量通常优于从完整和部分时间网络导出的经典中心性度量。

== 摘要 ==
* '''原文标题'''：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
* '''中文标题'''：BatteryLife：一个用于电池寿命预测的综合数据集和基准
* '''发布日期'''：2025-02-26 04:21:20+00:00
* '''作者'''：Ruifeng Tan, Weixiang Hong, Jiayue Tang, Xibin Lu, Ruijun Ma, Xiang Zheng, Jia Li, Jiaqiang Huang, Tong-Yi Zhang
* '''分类'''：cs.LG, cs.AI, cs.DL
*'''原文链接'''：http://arxiv.org/abs/2502.18807v2
'''中文摘要'''：[[电池寿命预测]]（BLP）依赖于[[电池退化测试]]产生的时间序列数据，对于电池的利用、优化和生产至关重要。尽管取得了显著进展，但该研究领域仍面临三个关键挑战。首先，现有数据集的规模有限，阻碍了对现代电池寿命数据的深入理解。其次，大多数数据集仅限于实验室中在有限多样性条件下测试的小容量[[锂离子电池]]，这引发了对研究结果普适性的担忧。第三，研究之间不一致且有限的基准模糊了基线的有效性，并且尚不清楚在其他时间序列领域流行的模型是否对BLP有效。为了解决这些挑战，我们提出了BatteryLife，一个用于BLP的综合数据集和基准。BatteryLife整合了16个数据集，提供了比之前最大数据集多2.4倍的样本量，并提供了最丰富的电池寿命资源，涵盖8种格式、80种化学系统、12种工作温度和646种充放电协议的电池，包括实验室和工业测试。值得注意的是，BatteryLife首次发布了[[锌离子电池]]、[[钠离子电池]]和工业测试的大容量锂离子电池的寿命数据集。借助这一综合数据集，我们重新评估了该领域及其他时间序列领域中流行基线的有效性。此外，我们提出了CyclePatch，一种可应用于一系列神经网络的插件技术。对18种方法的广泛基准测试表明，其他时间序列领域流行的模型可能不适用于BLP，而CyclePatch一致地提高了模型性能，建立了最先进的基准。此外，BatteryLife还评估了模型在不同老化条件和领域中的性能。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife获取。