WikiEdge:ArXiv速遞/2025-05-05
摘要
- 原文標題：A longitudinal analysis of misinformation, polarization and toxicity on Bluesky after its public launch
- 中文標題：Bluesky公開上線後錯誤信息、極化與毒性的縱向分析
- 發布日期：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
- 分類：cs.SI, 62P25, 91D30, H.3.5; K.4.1; K.6.5
- 原文連結：http://arxiv.org/abs/2505.02317v1
中文摘要：Bluesky是一個去中心化的類Twitter社交媒體平台，其用戶規模近期快速增長。在經歷邀請制階段後，該平台於2024年2月6日正式向公眾開放，用戶基數隨之顯著擴大。本文通過縱向分析方法，研究了平台開放前後兩個月內的用戶活動，揭示其快速擴張過程中的演變特徵。分析表明：Bluesky的用戶活動分布與成熟社交平台相似，但原創內容比例高於轉發內容，且平台毒性水平較低。我們進一步考察了用戶群體的政治傾向、不實信息傳播機制以及有害對話參與情況。研究發現：Bluesky用戶總體呈現左傾政治傾向，且傾向於分享高可信度信源。平台開放後，新增用戶（尤其是使用英語和日語發文的用戶）推動活動量激增，其中部分帳戶表現出可疑行為特徵（如批量關注用戶、分享低可信度新聞內容等）。目前部分問題帳戶已被標記為垃圾帳號或封禁，表明平台的內容審核機制已產生實效。
摘要
- 原文標題：Exploring the role of low-lying intrinsic degrees of freedom and their impact on fusion cross-sections
- 中文標題：低激發內稟自由度及其對熔合截面影響的研究
- 發布日期：2025-05-05 05:20:44+00:00
- 作者：Nishu Jain, M. Bhuyan, Raj Kumar
- 分類：nucl-th
- 原文連結：http://arxiv.org/abs/2505.02371v1
中文摘要：本研究重點探討低激發內稟自由度及其對熔合動力學的影響。採用耦合通道程序CCFULL計算了四種特定反應（$^{18}$O+$^{74}$Ge、$^{18}$O+$^{148}$Nd、$^{18}$O+$^{182}$W和$^{18}$O+$^{186}$W）在庫侖勢壘以下不同能級的熔合截面。通過研究振動與轉動特徵隨能量的變化規律，區分了二者對熔合特性的不同影響。結果表明：$^{74}$Ge、$^{148}$Nd、$^{182}$W和$^{186}$W核的理論計算與實驗數據高度吻合（尤其對$2^+$激發態），其他激發態（$4^+$和$6^+$）雖存在微小偏差但整體一致性顯著。研究還發現：不同量級的十六極形變對熔合截面具有顯著影響——當$\beta_4$為正值時，$6^+$以上轉動能級對截面影響微弱，導致序列通道貢獻存在顯著差異；而$\beta_4$為負值時，直至$2^+$態的轉動能級均會顯著改變熔合特性。此外，分析還延伸至激發態與基態間相對變化量（$\Delta\sigma_{fus}$）的估算，涵蓋考慮與忽略耦合項兩種情況。
摘要
- 原文標題：Sparse Ellipsoidal Radial Basis Function Network for Point Cloud Surface Representation
- 中文標題：稀疏橢球徑向基函數網絡在點雲表面表示中的應用
- 發布日期：2025-05-05 04:16:16+00:00
- 作者：Bobo Lian, Dandan Wang, Chenjian Wu, Minxin Chen
- 分類：cs.GR, cs.CV, cs.LG
- 原文連結：http://arxiv.org/abs/2505.02350v1
中文摘要：點雲表面表示是計算機圖形學和視覺領域的基礎問題。本文提出一種機器學習方法，利用稀疏橢球徑向基函數網絡逼近點雲的符號距離函數（SDF），實現緊湊而精確的表面表示。給定由點雲構建的網格點上定義的SDF值，我們的方法以儘可能少的橢球徑向基函數（ERBF）精確逼近SDF，即通過稀疏ERBF表示點雲的SDF。為平衡稀疏性與逼近精度，引入動態多目標優化策略，自適應添加正則項並聯合優化ERBF的權重、中心、形狀和方向。為提高計算效率，採用基於最近鄰的數據結構，將函數計算限制在每個高斯核中心附近的點上。每個核的計算進一步在CUDA上並行化，顯著提升優化速度。此外，設計了基於分層八叉樹的細化訓練策略：先在八叉樹晶格結構的粗網格點上進行網絡參數初始化與優化，隨後逐步加入精細格點以加速模型收斂並提升訓練效率。在多個基準數據集上的大量實驗表明，本方法在精度、魯棒性和計算效率方面優於現有稀疏表示方法。相關代碼已開源：https://github.com/lianbobo/SE-RBFNet.git。