🧒 初中生也能看懂的版本
① 研究背景（为什么要做？）
一条帖子发出去以后，点赞和转发会滚成一条曲线，这条曲线一直是传播研究想算清楚的东西。过去主要有两类办法。第一类是套现成的增长曲线，比如逻辑斯蒂曲线，它先假定增长速度跟“当前热度乘剩余空间”成正比；第二类是把每次互动看成一粒火星，用自激发点过程描述它如何点燃下一次互动。
两类办法各有硬伤。增长曲线在见到数据之前就把形状钉死了：如果一条帖子的最高增速不在半程，它怎么调参数都拟合不好；而且它只看当下、不看历史，两条当前热度相同但早期走势完全不同的帖子，会得到一模一样的预测。自激发过程虽然用上了全部历史，但记忆衰减的核函数也得事先指定，还要求有精确到每次互动的时间戳，实际数据里往往拿不到。
物理信息神经网络本来是给流体、材料这些物理系统解方程用的，它把“拟合数据”和“满足方程”放在同一个损失里训练。作者想试试：能不能把它搬到社交媒体上，让模型自己从数据里学出两件事——增长律长什么样，以及历史的影响到底有多强。
② 研究问题（要回答什么？）
作者要回答的核心问题是：社交媒体上的病毒式传播，能不能不预设函数形式，直接从二十四小时的观测数据里把控制方程学出来？
这个问题可以拆成三问。第一，增长律到底长什么形状，是像逻辑斯蒂那样的对称拱形，还是别的形态？第二，一条帖子的历史对未来的影响有多强，这个“记忆强度”能不能变成一个可以从数据里估出来的参数？第三，当每个帖子只有二十四条逐小时观测、还带着计数噪声的时候，这套反问题还解得动吗？
他们还想验证一个更细的猜想：一条帖子从爆发到沉寂，记忆强度会不会变化。如果会变，那么用一个固定的分数阶数去套整条曲线，本身就是错的。
③ 研究方法（怎么做的？）
作者把一条帖子的累计互动量先按峰值归一化到零到一之间，再假设它满足一个分数阶微分方程：分数阶导数等于这条帖子的“病毒潜力”乘以一个所有帖子共享的增长律。
这里的分数阶导数是卡普托型，阶数落在零到一之间。它跟普通导数最大的区别，是会把整条历史轨迹积分进来，越近的变化权重越大，衰减快慢由阶数决定。阶数越小，历史越“黏”，过去的互动会长期影响未来；阶数接近一，模型就退化成只看当下的常微分方程。这个阶数不预设，而是和网络参数一起训练出来。
增长律用一个四层、每层三十个神经元的全连接网络表示，输出再乘上当前热度和“一减当前热度”，保证在零和一两端自动归零、中间恒为正。每条帖子的病毒潜力，则由作者的粉丝数和发布后第一小时的互动增速共同决定。训练在 JAX 里完成，用 Adam 优化器，跑在普通处理器上。
真实数据来自社交平台 X，用自建爬虫按八十八个关键词抓取。经过完整性、非平坦和最低互动量筛选后，进入建模的是三百四十八条训练帖和八十六条测试帖。
④ 结果（发现了什么？）
只用一段模型时，学到的分数阶数只有零点一三六，说明互动增长被历史牢牢拽住，跟传统增长曲线假设的“只看当下”差得很远。但把它拿到八十六条测试帖上从头推演，效果并不好：误差阈值放宽到零点一时能复现六成四，收紧到零点零一时只剩一成出头，甚至不如一条从起点直连终点的斜线。
作者判断问题出在“一段打天下”。一条帖子在第二小时和第十二小时的动力学根本不是一回事，一个标量没法同时代表这两种状态。于是他们把二十四小时切成四段：零到三小时、三到九小时、九到十六小时、十六到二十三小时，每段单独训练一套增长律、潜力和分数阶数。
分段之后，分数阶数从零点二二八升到零点七四四，再升到零点九八九，最后两段几乎就是整数阶，也就是几乎不记历史。四段拼起来在测试集上，误差小于零点零一的帖子占到六成四，而最强的经典基线只有四成四。四段蒸馏出来的方程也各自可读：开头近似线性增长，中段是带承载上限的逻辑斯蒂扩散，尾段是陡峭的饱和衰减。
⑤ 讨论（这些发现说明什么？）
分段之所以有效，是因为一条帖子的生命史本来就有不同阶段：开头三小时是爆发期，增长近乎线性，历史影响极强；中段转为类似逻辑斯蒂的扩散；后段进入饱和与衰减，基本只看当下。用一段模型去拟合，等于强迫一个标量同时代表第二小时和第十二小时，注定顾此失彼。
另一个重要发现跟噪声有关。逐小时计数天然带量化噪声，而标准的逐点残差里藏着一个跟阶数有关的缩放因子，优化器会发现“把阶数调小”就能让损失变小，于是阶数一路滑到下界，模型看起来收敛了，其实什么都没学到。作者改用全白化残差，把观测噪声通过分数阶算子传播出去，再按残差向量整体的协方差重新度量，这个漏洞才被堵上。
局限也很清楚：样本只有四百多条帖子，全部来自技术、人工智能和创业类关键词；平台推荐算法一改，参数可能就失效；模型只预测曲线形状，不预测最终能火到什么量级。
⑥ 结论（最终结论 + 启示）
这篇论文的意义不在于又做了一个预测器，而在于它给出了一套“从数据里读出传播方程”的流程：分数阶导数负责刻画记忆，神经网络负责刻画非线性增长，符号回归负责把网络蒸馏成人能看懂的公式。
最终得到的不是一条万能曲线，而是一组分阶段的方程：开头近似线性增长，中段是逻辑斯蒂扩散，尾段是带饱和的衰减。这解释了为什么过去那些固定形式的曲线，无论古典还是分数阶，都只能拟合一条帖子生命史中的一段。
作者提出的下一步，是把分段的常数阶数换成随时间连续变化的变阶算子，让记忆强度平滑演化；同时把形状模型和最终规模预测接起来，凑成一个完整的传播预测系统。
🎓 专业 IRMaD 结构解读
I. Introduction（引言）
物理信息神经网络（PINN）把已知物理定律嵌入网络训练，在数据稀疏或含噪时通常优于纯数据驱动模型。近年的一条分支从正问题转向反问题：当治理方程未知时，用神经网络代表未知项，再用符号回归蒸馏成闭式表达。该路线已在计算神经科学中取得成功（如阿尔茨海默病 tau 蛋白扩散的反应项恢复），但在社会科学中几乎没有系统尝试。
计算传播学对病毒式传播的建模长期分为两支。增长曲线模型（逻辑斯蒂、Gompertz、Bass 扩散）参数可解释，却在见到数据之前锁定函数形式，并默认过程是马尔可夫的——未来只依赖当前互动量，与到达路径无关；例如逻辑斯蒂把最优增速固定在半程，偏离该形状的帖子无论怎么调参都拟合不好。自激发点过程（Hawkes、SEISMIC）让全部历史参与，但记忆核必须预先指定，且需要事件级时间戳，实践中往往不可得。
本文的切入点是同时把“增长律的形式”和“历史影响的强度”当作待学习的未知量：前者由神经网络表示并蒸馏为方程，后者由 Caputo 分数阶导数的阶数 β 刻画。作者在 X 平台的逐小时互动数据上验证，并与九种经典基线比较。对传播研究而言，这提供了一种可检验的中间层工具：既给出传播速率与饱和机制的显式方程，又估计记忆效应如何随传播阶段变化，从而把“病毒式扩散为什么前快后慢”从叙事变成可拟合、可比较的参数。
I. Theoretical Framework & Hypotheses（理论框架与假设）
模型把帖子 i 的归一化累计互动量 ci(t)∈[0,1] 视为如下分数阶初值问题的解：
Dtβci(t) = αi f(ci(t))，ci(0)=ci,0
其中 Dtβ 为 (0,1) 阶 Caputo 导数：Dtβc(t) = [1/Γ(1−β)]∫0t c′(τ)(t−τ)−βdτ。与整数阶导数只依赖瞬时状态不同，幂律核 (t−τ)−β 把整条历史纳入，越近的变化权重越大；β 越小记忆越强，β→1 退化为马尔可夫极限。αi 为帖子特有的病毒潜力，f 为全体帖子共享的增长律。
病毒潜力由两个可观测量决定：αi=σ(a·log(1+Ni)+b·vi+d)，其中 Ni 为作者粉丝数，vi=log(1+Ei(1))−log(1+Ei(0)) 为首小时互动增速。作者指出粉丝数单独信号太弱，必须与早期增速组合。增长律用四层、宽 30 的全连接网络表示，输出经 f(c)=eNN(c)·c·(1−c) 变换，强制 f(0)=f(1)=0 且在 (0,1) 上严格为正。β 通过 β=0.1+0.89·σ(θβ) 重参数化，约束在 (0.1,0.99)。选择分数阶而非图拉普拉斯项，是因为 X 的信息流由推荐算法驱动，互动无法从显式社交图上重建。
| 构件 | 数学形式 | 传播学含义 |
|---|---|---|
| 分数阶算子 | Caputo Dtβ，L1 离散 | 记忆效应：历史互动对当前传播速率的持续影响 |
| 病毒潜力 αi | 粉丝数与首小时增速的 logistic 组合 | 账号规模与早期势能对传播速率的放大 |
| 增长律 f(c) | 神经网络 + c(1−c) 边界约束 | 传播速率的非线性形状：加速、饱和、陡停 |
| 符号回归 | PySR，算子 {+,−,×,÷,exp}，复杂度≤14 | 把黑箱增长律转写为可检验的传播方程 |
M. Materials & Methods（材料与方法）
本文不属于通常意义上的 agent-based、系统动力学或离散事件仿真：它没有异质 agent 的交互规则，而是连续时间的宏观动力学反问题（类 SD 状态方程）。时间步长 1 小时、窗口 24 步；个体单元是 348 条训练推文，agent 之间无耦合；软件为 JAX（自动微分 + Adam）与 PySR，CPU 训练；标定数据为 X 的逐小时累计互动。
合成实验。真值方程 Dt0.5c=1.0·c(1−c2)，c0~U(0.01,0.3)，200 条轨迹、T=24 个均匀节点（与部署分辨率一致），β 另取真值 0.3、0.7。轨迹用 Adams–Bashforth–Moulton 在约 8192 点细网格上求解，收敛阶 O(h1+β)，网格三倍加密后变化不超过 3.8×10−6；L1 离散用 t2 与 sin(πt) 验证，实测阶 1.68、1.50、1.20 对应理论 1.7、1.5、1.2。
噪声处理。cobs=clip(c+ε,0,1)，ε~N(0,σ2)，σ∈[0.005,0.05]，每个水平两次独立实现。逐点残差含增益 g(β)=h−β/Γ(2−β)（h=1/23 时约 22 降到约 1.4），噪声主导后压低 β 即可缩小损失；对角白化按 rn2/(σ̂2vn)+log vn 归一仍失效，因记忆求和复用了同一批含噪增量；全白化 Lfull=(1/m)rT(JJT)−1r，J=A(β)−α·diag(f′)，无需噪声估计与新超参数。
样本。爬虫部署于 AWS EC2 并接入官方 API，经 88 个技术、AI/ML 与创业关键词发现帖子（剔除转发）。2025 年 11 月至 2026 年 1 月共 9175 条唯一帖子、7560 位作者，5264 条获跟踪快照，逐小时记录点赞、评论、转发、引用四项并求和，持续 48 小时，建模只用前 24 小时。入选需完整逐小时网格、互动非平坦、峰值不低于 25（把量化噪声压到 σeff≈0.58/peak≤0.023），得 503 条，按峰值十分位分层 80/20（403/100），剔除累计互动下降者后为 348 训练、86 测试；峰值 25–17189（中位 96），粉丝 3–3660 万（中位 12123）。
分段与基线。窗口切成 0–3、3–9、9–16、16–23 小时，每段独立训练 (fk,αk,βk)；训练锚定段首观测（教师），预测逐段串联、后段以前段终点为初值（学生）。九种基线为逻辑斯蒂、Gompertz、Bass、三种 Hawkes、持久性、线性斜坡、气候态，同数据同协议从 c(0) 前向求解。
R. Results（结果）
合成数据上的可辨识性。固定 f 与 α 时，逐点 L1 残差对三个真值 β 的恢复误差均在 0.028 以内，但带约 −0.025 的系统性下偏；去掉前四个内部节点（burn-in）后偏差至少缩小 5 倍，最大 0.005。联合恢复的四次独立运行（两种 β 初值 × 两个种子，各 30000 步 Adam）β 离散度仅 2.3×10−4：逐点残差给出 β̂=0.457、f 相关 0.9978、幅值误差 0.7%，burn-in 变体给出 β̂=0.494、相关 1.0000、幅值误差 0.4%。PySR 蒸馏出 f̂(c)=c(0.9914+0.0403c−1.0320c2)，与真值 c(1−c2) 的相关达 0.99998。
| 真值 β | 逐点 L1 估计（带符号误差） | L1 去前四节点（burn-in） |
|---|---|---|
| 0.3 | 0.2751（−0.0249） | 0.2954（−0.0046） |
| 0.5 | 0.4729（−0.0271） | 0.4965（−0.0035） |
| 0.7 | 0.6779（−0.0221） | 0.7002（+0.0002） |
噪声下的失败与修正。加入观测噪声后，σ=0.005 时逐点目标已无法恢复 β，到 σ=0.02 时 β̂ 钉在参数化下界 0.1，其目标值比真参数在同一数据上小 7 倍；burn-in 无效，因为噪声底存在于每个节点。对角白化同样迅速崩塌，原因是记忆求和复用同一批含噪增量。全白化在 σ=0.02 时恢复 β̂=0.4895、f 相关 0.9986；β 单独恢复时各噪声水平误差不超过 0.02，σ≤0.02 时不超过 0.013。仅在 σ=0.05 的联合拟合中退化到 β̂=0.40，作者归因于柔性 f 吸收噪声结构。
真实数据与分段。单窗口模型在 348 条训练帖上训练 15000 步得 β̂=0.136、速度权重 b=1.91（粉丝权重衰减至约 0）、αi 压缩在 [0.81,1.00]，隐含逐节点噪声 0.052；蒸馏得 f̂(c)=1.097(c−0.0295/(1.0295−c))，相关 0.9988。但测试集前向求解在 MSE 阈值 0.10、0.05、0.01 上只复现 64.0%、53.5%、10.5%，不及线性斜坡的 86.0%、64.0%、14.0%。分段后 β̂ 依次为 0.228、0.744、0.989、0.989，隐含噪声降到 0.023–0.043，测试集升至 100%、91.9%、64.0%。
| 窗口（小时） | β̂k | 隐含噪声 | 蒸馏方程（与网络相关） |
|---|---|---|---|
| 0–3 | 0.228 | 0.037 | 1.79c+0.19+0.18/(c−1.09)（1.000） |
| 3–9 | 0.744 | 0.043 | 3.05c(1−0.98c)（0.988） |
| 9–16 | 0.989 | 0.031 | 4.77c(0.98−c)（0.668） |
| 16–23 | 0.989 | 0.023 | c(7.84/(c+0.29)−5.81)（0.965） |
与九种基线的比较。在最宽松的 0.10 阈值上所有增长曲线均达 95% 以上，差异集中在严格阈值：未见测试集（n=86）在 MSE<0.025 上师生模型 81.4%、Bass 75.6%、Gompertz 70.9%、气候态 66.3%、逻辑斯蒂 54.7%、线性斜坡 41.9%，Hawkes 家族全面落后（学习核 36.0%、指数核 26.7%、幂律核 22.1%），持久性 0%；MSE<0.01 上为 64.0% 对 Bass 44.2%，无其他经典模型超过 35%。
| 模型（未见集 n=86） | MSE<0.025 | MSE<0.01 |
|---|---|---|
| 教师—学生 PINN | 81.4% | 64.0% |
| Bass 扩散 | 75.6% | 44.2% |
| Gompertz | 70.9% | 34.9% |
| 气候态（平均曲线） | 66.3% | 33.7% |
| 逻辑斯蒂 | 54.7% | 26.7% |
| 线性斜坡 | 41.9% | 14.0% |
| Hawkes（学习核） | 36.0% | 20.9% |
| Hawkes（指数核） | 26.7% | 12.8% |
| Hawkes（幂律核） | 22.1% | 14.0% |
| 持久性 | 0.0% | 0.0% |
两项消融支持分段与分数阶各有贡献：把经典曲线按同样四段重拟合，最多只提升 8.1 个百分点（Bass）；把 βk 全设为 1（五个种子）仍能恢复 52–62%（阈值 0.01），远高于单窗口的 10.5%，但前九小时移除分数阶记忆会使精度下降约 8%（p<0.05），效应集中在 0–3 小时窗口。
a / D. Discussion & Conclusion（讨论与结论）
本文的主要贡献是把病毒式传播的建模从“选一条曲线”转为“发现一条方程”。三条结论彼此支撑。第一，单窗口拟合得到 β̂=0.136，说明传播过程深度依赖历史，且每条帖子的差异主要由首小时增速而非粉丝规模承载；但单窗口模型在严格阈值上不如经典增长曲线，暴露了“一条帖子只有一个记忆强度”的结构性错误。第二，教师—学生分段给出一条记忆弧线（0.228→0.744→0.989→0.989，对应爆发、过渡、松弛、松弛），且每段都蒸馏出可读的相位方程：线性增长、逻辑斯蒂扩散、饱和衰减依次登场。第三，在 MSE<0.01 上复现 64.0% 的未见帖子，比最强的 Bass 扩散（44.2%）高约 45% 的相对幅度，且训练集与测试集差距不大，排除了单纯记忆训练样本的可能。
方法学上更可迁移的一点，是对“噪声—算子耦合”的诊断。分数阶残差自带 g(β)=h−β/Γ(2−β) 的单位缩放，逐点最小二乘会把阶数当作免费的尺度旋钮；对角白化不足以修复，因为 L1 求和让同一噪声增量在每个后续节点反复出现，必须用完整协方差 JJT 度量。这一结论对任何在含噪短序列上估计分数阶或记忆核的研究都成立，不限于社交媒体。分段策略则提示：当过程存在相位转换时，常数阶算子只能给出各相位的加权平均，而不会逼近其中任何一个。
局限与边界清晰。样本仅 348 训练、86 测试条帖子，相对 X 约两亿日活用户极小；关键词集中在技术、AI/ML 与创业，恢复的常数不能外推到其他话题；平台推荐算法频繁更新，参数只在 2025 年 11 月至 2026 年 1 月的采集窗口内成立；模型只预测形状、不预测规模，回答的是“会怎么涨”而非“能涨多大”。未来工作包括：用第二个网络表示随时间（乃至随话题）变化的变阶 β(t,ε) 以取代手工分段，把形状律与最终互动量预测模型拼接成端到端预测器，以及在 Reddit 这类具有显式社区结构的平台上改用反应—扩散形式（图拉普拉斯项）。对公共管理与传播治理而言，这类可解释方程可用于比较不同话题、不同账号层级下的传播速率与饱和机制，但必须与平台算法变更和样本选择偏差一并解读。
🧠 IRMaD 思维导图
mindmap
root((病毒传播记忆方程))
I 引言
物理信息神经网络
增长曲线先定形状
霍克斯过程先定衰减
社媒数据稀疏带噪
R 问题
增长律长什么样
历史影响有多强
能否从数据学出来
二十四小时够不够
M 方法
分数阶导数记历史
增长律用神经网络
潜力由粉丝和初速定
合成数据先验参数
全白化残差抗噪声
四段师生强制
R 结果
单段阶数零点一四
分段阶数逐段升高
四段各有可读方程
六成四测试帖达标
胜过九种基线
a 讨论
记忆随阶段变化
分段胜过单一形状
只预测形状不预测规模
算法更新会改参数
D 结论
可解释方程发现
相位式传播规律
变阶算子是下一步
可迁移到其他平台
图：本研究的 IRMaD 思维导图。蓝色 I 引言；橙色 R 研究问题；绿色 M 方法； 橙色 R 结果；紫色 a 讨论；红色 D 结论。