11:06arXiv cs.LG@Lei Huang许多重要现象(如产品采用、疾病传播、金融风险扩散)以动态级联方式展开,恢复其背后的隐藏影响网络是关键挑战。现有方法通常假设特定的扩散模型,当假设错误时性能大幅下降。CascadeNet 提出基于雅可比矩阵的机器学习框架,无需指定扩散机制,通过一步转移函数的雅可比矩阵刻画影响结构,并利用 Neyman 正交去偏实现统计推断。在九种常见数据生成过程的模拟中,CascadeNet 恢复精度最高;在西班牙 52 省 COVID-19 传播的真实案例中,其恢复的网络与真实人口流动网络显著相关,而基线方法无显著对齐。论文网络恢复级联数据雅可比矩阵去偏估计CascadeNet推荐理由:做网络推断、因果发现或传染病建模的研究者终于有了一个不依赖模型假设的通用方法——模拟和真实数据都验证了效果,值得直接复现试试。原文
12:03arXiv cs.LG@Zhiwei Gao, Liu Yang, George Em Karniadakis现有神经算子评估主要依赖预测误差,但准确输出不代表模型学到了正确的局部动力学结构。研究者提出一种基于雅可比矩阵的谱审计方法,通过将网络输出对查询函数求导,得到学习到的切向算子,再投影到傅里叶模式上,揭示频率依赖增益、相位结构和跨模式耦合等局部谱特征。该方法在多个基准测试中发现了预测误差无法暴露的问题,如高频退化、错误相位恢复和提示-算子不一致。结果表明,预测精度和局部算子保真度是神经算子的两个独立属性,该框架可用于稳定性、敏感性和算子一致性的诊断。论文神经算子谱审计雅可比矩阵PDE代理模型局部动力学推荐理由:这篇论文给做神经算子、物理信息学习或科学计算的团队提供了一个关键诊断工具——预测误差可能骗人,但雅可比谱审计能揪出模型学没学到真正的物理机制。做PDE代理模型或算子学习的建议点开看看,能帮你避免模型“看起来准、用起来崩”的坑。原文