WikiEdge:ArXiv速遞/2025-02-26

摘要

• 原文標題：Helium Abundance Periods Observed by the Solar Probe Cup on Parker Solar Probe: Encounters 1-14
• 中文標題：帕克太陽探測器上的太陽探測杯觀測到的氦豐度周期：第1至14次遭遇
• 發佈日期：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
• 分類：astro-ph.SR, physics.space-ph
• 原文連結：http://arxiv.org/abs/2502.19492v1

中文摘要：帕克太陽探測器是一項旨在以前所未有的近距離探索太陽風特性的任務。太陽探測杯（SPC）的詳細粒子觀測主要集中在研究太陽風中的質子群體。然而，在帕克任務的多個階段中，SPC觀測到了一個顯著且獨特的完全電離氦（He$^{2+}$）群體。微量離子攜帶着太陽風源區的特性以及外流過程中的活躍機制，使其成為太陽起源和形成的敏感標誌。通過對He$^{2+}$速度分佈函數的詳細分析，本研究考察了SPC觀測到顯著且持續He$^{2+}$峰值的時期。我們計算了氦豐度，並研究了流的整體速度、密度、溫度、磁場拓撲和電子束特性，以識別能夠提供其太陽源區洞察的獨特太陽風特徵。我們發現，幾乎所有時期的平均氦組成（$8.34\%$）都高於典型的太陽風，並且大多數（$\sim87\%$）這些時期與日冕物質拋射相關，最高豐度達到$23.1\%$。隨着太陽周期接近最大值，氦豐度和事件數量增加，且對速度的依賴性較弱。此外，與日冕物質拋射無關的事件集中在日球層電流片附近，表明它們與流帶外流相關。然而，目前尚無理論能夠完全解釋觀測到的氦豐度範圍。

摘要

• 原文標題：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
• 中文標題：BatteryLife：一個用於電池壽命預測的綜合數據集和基準
• 發佈日期：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
• 分類：cs.LG, cs.AI, cs.DL
• 原文連結：http://arxiv.org/abs/2502.18807v2

中文摘要：電池壽命預測（BLP）依賴於電池退化測試產生的時間序列數據，對於電池的利用、優化和生產至關重要。儘管取得了顯著進展，但該研究領域仍面臨三個關鍵挑戰。首先，現有數據集的規模有限，阻礙了對現代電池壽命數據的深入理解。其次，大多數數據集僅限於實驗室中在有限多樣性條件下測試的小容量鋰離子電池，這引發了對研究結果普適性的擔憂。第三，研究之間不一致且有限的基準模糊了基線的有效性，並且尚不清楚在其他時間序列領域中流行的模型是否對BLP有效。為了解決這些挑戰，我們提出了BatteryLife，一個用於BLP的綜合數據集和基準。BatteryLife整合了16個數據集，提供了比之前最大數據集多2.4倍的樣本量，並提供了最豐富的電池壽命資源，涵蓋8種電池格式、80種化學體系、12種工作溫度和646種充放電協議，包括實驗室和工業測試。值得注意的是，BatteryLife首次發佈了鋅離子電池、鈉離子電池和工業測試的大容量鋰離子電池的壽命數據集。藉助這一綜合數據集，我們重新評估了該領域及其他時間序列領域中流行基線的有效性。此外，我們提出了CyclePatch，一種可應用於一系列神經網絡的插件技術。對18種方法的廣泛基準測試表明，其他時間序列領域中流行的模型可能不適用於BLP，而CyclePatch一致地提高了模型性能，建立了最先進的基準。此外，BatteryLife還評估了模型在不同老化條件和領域中的性能。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife獲取。

摘要

• 原文標題：Estimating Nodal Spreading Influence Using Partial Temporal Network
• 中文標題：利用部分時間網絡估計節點傳播影響力
• 發佈日期：2025-02-26 17:48:39+00:00
• 作者：Tianrui Mao, Shilun Zhang, Alan Hanjalic, Huijuan Wang
• 分類：cs.SI, physics.data-an
• 原文連結：http://arxiv.org/abs/2502.19350v1

中文摘要：時間網絡，其連結隨時間激活或停用，用於表示複雜系統，如特定時間發生的社會互動或合作。此類網絡促進了信息和流行病的傳播。在給定時間內，從單個種子節點開始在網絡上通過傳播過程感染的平均節點數稱為該節點的影響力。在本文中，我們探討了如何利用每個節點周圍部分觀察到的時間網絡（局部且持續時間短）來估計節點在長時間內對整個網絡的傳播影響力排名。這對於目標營銷和流行病/錯誤信息緩解至關重要，因為在這些情況下可能只能獲取部分網絡信息。這也使我們能夠理解在傳播過程開始後不久局部觀察到的節點的哪些網絡屬性決定了其影響力。我們系統地提出了一組基於部分時間網絡信息的節點中心性度量，編碼了（時間相關的）路徑的多種屬性。研究發現，根據傳播過程的感染概率，不同的中心性度量在估計節點影響力方面表現最佳。在廣泛的感染概率範圍內，如果一個節點能夠通過時間相關的路逕到達許多不同的節點，並且這些節點能夠較早地被到達，則該節點往往具有影響力。我們發現並解釋了為什麼所提出的度量通常優於從完整和部分時間網絡導出的經典中心性度量。

摘要

• 原文標題：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
• 中文標題：BatteryLife：一個用於電池壽命預測的綜合數據集和基準
• 發佈日期：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
• 分類：cs.LG, cs.AI, cs.DL
• 原文連結：http://arxiv.org/abs/2502.18807v2

中文摘要：電池壽命預測（BLP）依賴於電池退化測試產生的時間序列數據，對於電池的利用、優化和生產至關重要。儘管取得了顯著進展，但該研究領域仍面臨三個關鍵挑戰。首先，現有數據集的規模有限，阻礙了對現代電池壽命數據的深入理解。其次，大多數數據集僅限於實驗室中在有限多樣性條件下測試的小容量鋰離子電池，這引發了對研究結果普適性的擔憂。第三，不同研究之間的基準不一致且有限，模糊了基線的有效性，並且尚不清楚在其他時間序列領域流行的模型是否對BLP有效。為了解決這些挑戰，我們提出了BatteryLife，一個用於BLP的綜合數據集和基準。BatteryLife整合了16個數據集，樣本量是之前最大數據集的2.4倍，並提供了最豐富的電池壽命資源，涵蓋8種電池格式、80種化學體系、12種工作溫度和646種充放電協議，包括實驗室和工業測試。值得注意的是，BatteryLife首次發佈了鋅離子電池、鈉離子電池和工業測試的大容量鋰離子電池的壽命數據集。藉助這一綜合數據集，我們重新評估了該領域及其他時間序列領域流行基線的有效性。此外，我們提出了CyclePatch，一種可應用於一系列神經網絡的插件技術。對18種方法的廣泛基準測試表明，其他時間序列領域流行的模型可能不適用於BLP，而CyclePatch一致地提升了模型性能，建立了最先進的基準。此外，BatteryLife還評估了模型在不同老化條件和領域中的表現。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife獲取。

摘要

• 原文標題：Estimating Nodal Spreading Influence Using Partial Temporal Network
• 中文標題：使用部分時間網絡估計節點傳播影響力
• 發佈日期：2025-02-26 17:48:39+00:00
• 作者：Tianrui Mao, Shilun Zhang, Alan Hanjalic, Huijuan Wang
• 分類：cs.SI, physics.data-an
• 原文連結：http://arxiv.org/abs/2502.19350v1

中文摘要：時間網絡，其連結隨時間激活或停用，用於表示複雜系統，如特定時間發生的社會互動或合作。這種網絡促進了信息和流行病的傳播。從單個種子節點開始，在給定時間段內通過網絡傳播過程感染的平均節點數稱為該節點的影響力。在本文中，我們探討了如何利用每個節點周圍部分觀察到的時間網絡（局部且持續時間短）來估計節點在長時間內對整個網絡傳播影響力的排名。這對於目標營銷和流行病/錯誤信息緩解至關重要，因為在這些情況下可能只能獲取部分網絡信息。這也使我們能夠理解在傳播過程開始後不久局部觀察到的節點網絡屬性如何決定其影響力。我們系統地提出了一組基於部分時間網絡信息的節點中心性度量，編碼了（時間尊重）路徑的多種屬性。研究發現，根據傳播過程的感染概率，不同的中心性度量在估計節點影響力方面表現最佳。在廣泛的感染概率範圍內，如果一個節點能夠通過時間尊重路逕到達許多不同的節點，並且這些節點能夠儘早到達，則該節點往往具有影響力。我們發現並解釋了為什麼所提出的度量通常優於從完整和部分時間網絡導出的經典中心性度量。

摘要

• 原文標題：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
• 中文標題：BatteryLife：一個用於電池壽命預測的綜合數據集和基準
• 發佈日期：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
• 分類：cs.LG, cs.AI, cs.DL
• 原文連結：http://arxiv.org/abs/2502.18807v2

中文摘要：電池壽命預測（BLP）依賴於電池退化測試產生的時間序列數據，對電池的利用、優化和生產至關重要。儘管取得了顯著進展，但該研究領域仍面臨三個關鍵挑戰。首先，現有數據集的規模有限，阻礙了對現代電池壽命數據的深入理解。其次，大多數數據集僅限於實驗室中在有限多樣性條件下測試的小容量鋰離子電池，這引發了對研究結果普適性的擔憂。第三，研究之間不一致且有限的基準模糊了基線的有效性，並且尚不清楚在其他時間序列領域流行的模型是否對BLP有效。為了解決這些挑戰，我們提出了BatteryLife，一個用於BLP的綜合數據集和基準。BatteryLife整合了16個數據集，樣本量是之前最大數據集的2.4倍，並提供了最豐富的電池壽命資源，涵蓋8種電池格式、80種化學體系、12種工作溫度和646種充放電協議，包括實驗室和工業測試。值得注意的是，BatteryLife首次發佈了鋅離子電池、鈉離子電池和工業測試的大容量鋰離子電池的壽命數據集。藉助這一綜合數據集，我們重新評估了該領域及其他時間序列領域中流行基線的有效性。此外，我們提出了CyclePatch，一種可應用於一系列神經網絡的插件技術。對18種方法的廣泛基準測試表明，其他時間序列領域流行的模型可能不適用於BLP，而CyclePatch一致地提高了模型性能，建立了最先進的基準。此外，BatteryLife還評估了模型在不同老化條件和領域中的表現。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife獲取。

摘要

• 原文標題：Estimating Nodal Spreading Influence Using Partial Temporal Network
• 中文標題：使用部分時間網絡估計節點傳播影響力
• 發佈日期：2025-02-26 17:48:39+00:00
• 作者：Tianrui Mao, Shilun Zhang, Alan Hanjalic, Huijuan Wang
• 分類：cs.SI, physics.data-an
• 原文連結：http://arxiv.org/abs/2502.19350v1

中文摘要：時間網絡，其連結隨時間激活或停用，用於表示複雜系統，如特定時間發生的社會互動或合作。這種網絡促進了信息和流行病的傳播。從單個種子節點開始，在給定時間段內通過網絡傳播過程感染的平均節點數稱為該節點的影響力。在本文中，我們探討了如何利用每個節點周圍部分觀察到的時間網絡（局部且持續時間短），來估計節點在長時間內對整個網絡傳播影響力的排名。這對於目標營銷和流行病/錯誤信息緩解至關重要，因為在這些情況下可能只能獲取部分網絡信息。這也使我們能夠理解在傳播過程開始後不久局部觀察到的節點網絡屬性如何決定其影響力。我們系統地提出了一組基於部分時間網絡信息的節點中心性度量，編碼了（時間尊重）路徑的多種屬性。研究發現，根據傳播過程的感染概率，不同的中心性度量在估計節點影響力方面表現最佳。在廣泛的感染概率範圍內，如果一個節點能夠通過時間尊重路逕到達許多不同的節點，並且這些節點能夠較早地被到達，則該節點往往具有影響力。我們發現並解釋了為什麼所提出的度量通常優於從完整和部分時間網絡導出的經典中心性度量。

摘要

• 原文標題：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
• 中文標題：BatteryLife：一個用於電池壽命預測的綜合數據集和基準
• 發佈日期：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
• 分類：cs.LG, cs.AI, cs.DL
• 原文連結：http://arxiv.org/abs/2502.18807v2

中文摘要：電池壽命預測（BLP）依賴於電池退化測試產生的時間序列數據，對於電池的利用、優化和生產至關重要。儘管取得了顯著進展，但該研究領域仍面臨三個關鍵挑戰。首先，現有數據集的規模有限，阻礙了對現代電池壽命數據的深入理解。其次，大多數數據集僅限於實驗室中在有限多樣性條件下測試的小容量鋰離子電池，這引發了對研究結果普適性的擔憂。第三，研究之間不一致且有限的基準模糊了基線的有效性，並且尚不清楚在其他時間序列領域流行的模型是否對BLP有效。為了解決這些挑戰，我們提出了BatteryLife，一個用於BLP的綜合數據集和基準。BatteryLife整合了16個數據集，樣本量是之前最大數據集的2.4倍，並提供了最豐富的電池壽命資源，涵蓋8種電池格式、80種化學系統、12種工作溫度和646種充放電協議，包括實驗室和工業測試。值得注意的是，BatteryLife首次發佈了鋅離子電池、鈉離子電池和工業測試的大容量鋰離子電池的壽命數據集。藉助這一綜合數據集，我們重新評估了該領域及其他時間序列領域中流行基線的有效性。此外，我們提出了CyclePatch，一種可應用於一系列神經網絡的插件技術。對18種方法的廣泛基準測試表明，其他時間序列領域流行的模型可能不適用於BLP，而CyclePatch一致地提高了模型性能，建立了最先進的基準。此外，BatteryLife還評估了模型在不同老化條件和領域中的性能。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife獲取。

摘要

• 原文標題：Estimating Nodal Spreading Influence Using Partial Temporal Network
• 中文標題：使用部分時間網絡估計節點傳播影響力
• 發佈日期：2025-02-26 17:48:39+00:00
• 作者：Tianrui Mao, Shilun Zhang, Alan Hanjalic, Huijuan Wang
• 分類：cs.SI, physics.data-an
• 原文連結：http://arxiv.org/abs/2502.19350v1

中文摘要：時間網絡，其連結隨時間激活或停用，用於表示複雜系統，如特定時間發生的社會互動或合作。這種網絡促進了信息和流行病的傳播。在給定時間內，從單個種子節點開始的網絡傳播過程中感染的平均節點數稱為該節點的影響力。在本文中，我們探討了如何利用每個節點周圍部分觀察到的時間網絡（局部且持續時間短）來估計節點在長時間內對整個網絡傳播影響力的排名。這對於目標營銷和流行病/錯誤信息緩解至關重要，因為在這些情況下可能只能獲取部分網絡信息。這也使我們能夠理解在傳播過程開始後不久局部觀察到的節點的哪些網絡屬性決定了其影響力。我們系統地提出了一組基於部分時間網絡信息的節點中心性度量，編碼了（時間相關的）路徑的多種屬性。研究發現，根據傳播過程的感染概率，不同的中心性度量在估計節點影響力方面表現最佳。在廣泛的感染概率範圍內，如果一個節點能夠通過時間相關的路逕到達許多不同的節點，並且這些節點能夠較早地被到達，則該節點往往具有影響力。我們發現並解釋了為什麼所提出的度量通常優於從完整和部分時間網絡導出的經典中心性度量。

摘要

• 原文標題：BatteryLife: A Comprehensive Dataset and Benchmark for Battery Life Prediction
• 中文標題：BatteryLife：一個用於電池壽命預測的綜合數據集和基準
• 發佈日期：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
• 分類：cs.LG, cs.AI, cs.DL
• 原文連結：http://arxiv.org/abs/2502.18807v2

中文摘要：電池壽命預測（BLP）依賴於電池退化測試產生的時間序列數據，對於電池的利用、優化和生產至關重要。儘管取得了顯著進展，但該研究領域仍面臨三個關鍵挑戰。首先，現有數據集的規模有限，阻礙了對現代電池壽命數據的深入理解。其次，大多數數據集僅限於實驗室中在有限多樣性條件下測試的小容量鋰離子電池，這引發了對研究結果普適性的擔憂。第三，研究之間不一致且有限的基準模糊了基線的有效性，並且尚不清楚在其他時間序列領域流行的模型是否對BLP有效。為了解決這些挑戰，我們提出了BatteryLife，一個用於BLP的綜合數據集和基準。BatteryLife整合了16個數據集，提供了比之前最大數據集多2.4倍的樣本量，並提供了最豐富的電池壽命資源，涵蓋8種格式、80種化學系統、12種工作溫度和646種充放電協議的電池，包括實驗室和工業測試。值得注意的是，BatteryLife首次發佈了鋅離子電池、鈉離子電池和工業測試的大容量鋰離子電池的壽命數據集。藉助這一綜合數據集，我們重新評估了該領域及其他時間序列領域中流行基線的有效性。此外，我們提出了CyclePatch，一種可應用於一系列神經網絡的插件技術。對18種方法的廣泛基準測試表明，其他時間序列領域流行的模型可能不適用於BLP，而CyclePatch一致地提高了模型性能，建立了最先進的基準。此外，BatteryLife還評估了模型在不同老化條件和領域中的性能。BatteryLife可在https://github.com/Ruifeng-Tan/BatteryLife獲取。