社交媒体上的内容传播受到三个层面的相互影响因素的塑造：源头、内容本身和传播途径。本文提出了贝叶斯混合霍克斯模型，共同学习源头、内容和传播的影响。我们将 BMH 模型制定为可分离霍克斯过程的分层混合模型，适应不同类别的霍克斯动力学和特征集对这些类别的影响。我们将 BMH 模型应用于两个真实世界的转推级联数据集的两个学习任务：冷启动热度预测和时间特征广义性能。BMH 模型在这两个数据集上表现优于现有模型和预测基准，并比其他选项更好地利用了级联和项目级别的信息。最后，我们进行了一个反事实分析，将训练的出版商级别 BMH 模型应用于一组文章标题，并展示了标题写作方式（中立、点击诱导、煽动性）在不同出版商之间的有效性差异。BMH 模型揭示了具有争议性和有声望的出版商之间的风格有效性差异，我们发现点击诱导对有声望的出版商而言比争议性出版商更加有效，这与后者过度使用点击诱导的情况相关。

Jun, 2024

采用贝叶斯神经网络推断随机系统的朗之万方程，以及预测不确定性的综合框架。

Feb, 2024

通过广义矩形式和闭合问题求解相结合的方式，我们提出了构建解释性和可靠性避免尺度分离的多尺度问题的减少模型的新框架，有效解决了物理约束的问题，得到了在 Knudsen 数从流体力学极限到自由分子流的范围内的均匀精度。

Jul, 2019

透明物理分析推导了扩散模型中的涨落定理、熵产生、Franz-Parisi 势函数，从非平衡物理的角度理解了最近发现的内在相变现象，该统一原理预计将引导机器学习从业者设计更好的算法，也将把机器学习与非平衡热力学联系起来。

May, 2024

通过使用深度学习工具增强了 Maxwell-Ampere-Nernst-Planck 方程组的数值算法，提出了一种混合算法来确定适当的虚拟变量近似，验证了该方法在二维问题中的有效性，并发现在一维情况下，该方法无法产生合理的结果，但通过实验证明了该方法在一维情况下对于 Poisson-Boltzmann 类型方程的稳态解有良好的数值稳定性和收敛性。

Dec, 2023

本文提出了将人工神经网络用于蒙特卡罗方法的改进，使其在统计物理问题中的混合时间得以加速，具体应用于 Falicov-Kimball 模型，并在其相变点附近展示了接受比率和自相关时间的提高。

Oct, 2016

通过研究发现，生成扩散模型可以用平衡统计力学的工具进行理解，并且这些模型经历了与对称性破缺现象相对应的二阶相变。作者还探讨了最近有关扩散模型与联想记忆网络的研究，并从热力学的角度进行了论述。

Oct, 2023

通过应用源自物理学和社会心理学的理论框架，本研究检验了消费者行为的复杂性，提出了一种创新的方程式，捕捉了广告支出与消费者反应之间的关系，强调了营销效果、反应敏感性和行为敏感性等关键模型参数在影响消费者行为中的重要性，并探讨了广告商和营销人员的实际意义以及限制和未来研究方向。综上所述，本研究为理解和预测消费者对广告的反应提供了一个全面的框架，对于优化广告策略和分配资源具有重要意义。

Apr, 2024

以贝叶斯公式为基础的物理知情神经网络（PINN）方法，利用 Laplace 近似法获得后验概率密度，通过计算证据度量进行假设分类，并通过贝叶斯算法精调损失组成部分的相对权重，解决热传导、波动和 Burger 的方程，获得与精确解良好一致性的结果，并在贝叶斯框架下提供不确定性信息。

Aug, 2023

我们提出了一种用于数值求解 Landau 方程的粒子方法，灵感来自于 Fokker-Planck 方程的基于得分的输运建模方法。该方法可以保持 Landau 方程的一些重要物理特性，例如质量、动量和能量的守恒性，以及估计熵的衰减。我们证明，匹配近似解的对数梯度足以恢复具有 Maxwellian 分子的 Landau 方程的真实解。在低维和中等高维上进行了几个数值实验，特别强调了所提出的方法与传统粒子或斑点方法的比较。

May, 2024