耦合神经高斯过程: AI 创新暴露与公众反应的时间依赖性
计算机与社会
2026-05-07 v1
摘要
人工智能创新暴露与公众反应共演进，但创新以不规则事件流形式到达，而反应则以月度数据观察。我们提出了耦合神经高斯过程（Coupled-NeuralHP），一种混合事件-状态模型，将八个领域的美国专利商标局（USPTO）AI专利出版流与仅使用的Google Trends反应指数相连接。在净化反应协议下，验证选取的单向实数据变体在注册的比较集合中给出最佳的持续 innovation 数量预测（伪对数似然 -30.4 对 -34.7；均方根误差（RMSE）471 对 532），同时在反应 RMSE 上与更强的多时滞因子家族基线相匹配（0.295）。消融实验表明，实数据反应信号主要由结构化预测头携带，而反向反应-创新块在持续计数预测中不被支持。对于60个半合成复制，较广泛的耦合家族在创新-反应链接恢复上优于向量自回归外生输入（VARX）（F1=0.734 对 0.386）。一个以2022年为分割日期的安慰剂控制分析发现，没有稳健的里程碑特定 regime 断裂。
引用
@article{arxiv.2605.04194,
title = {Coupled-NeuralHP: Directional Temporal Coupling Between AI Innovation Exposure and Public Response},
author = {Amir Rafe and Subasish Das},
journal= {arXiv preprint arXiv:2605.04194},
year = {2026}
}