| 第105行: |
第105行: |
| | </math> | | </math> |
| | | | |
| − | 其中, | + | 其中,<math>T_i</math>表示节点 i在系统中承载、处理或转发的总注意力量。 |
| − | T
| |
| − | i
| |
| − | T
| |
| − | i
| |
| − |
| |
| − | 表示节点
| |
| − | i
| |
| − | i 在系统中承载、处理或转发的总注意力量。
| |
| | | | |
| − | 需要注意的是,平衡性并不意味着注意力不会流失。只要注意力的流失被表示为流向汇节点的耗散流,网络仍然可以是平衡的。因此,耗散不破坏平衡,未被记录或未被建模的耗散才会造成非平衡。
| + | 需要注意的是,平衡性并不意味着注意力不会流失。只要注意力的流失被表示为流向汇节点的耗散流,网络仍然可以是平衡的。因此,耗散不破坏平衡,未被记录或未被建模的耗散才会造成非平衡。在实际研究中,集体注意力流网络经常不完全平衡。原因包括数据缺失、观测误差、平台边界不完整、时间窗口过短,以及外部推荐、搜索、线下事件等隐含输入未被建模。此时,研究者通常需要通过引入源、汇或误差修正项来对网络进行平衡化处理。 |
| − | | |
| − | 在实际研究中,集体注意力流网络经常不完全平衡。原因包括数据缺失、观测误差、平台边界不完整、时间窗口过短,以及外部推荐、搜索、线下事件等隐含输入未被建模。此时,研究者通常需要通过引入源、汇或误差修正项来对网络进行平衡化处理。
| |
| | | | |
| | ====守恒性==== | | ====守恒性==== |