32、重新审视投票中的匿名性

重新审视投票中的匿名性

1 投票影响相关研究

1.1 投票影响目标分类

对选民产生影响的可能目标集合可以在不同层面进行特征描述,从大到小依次为:
1. 全体人口
2. 合格选民
3. 登记选民
4. 实际投票选民
5. 投有效票的选民
6. 为买票者投票的有效票选民

此外,选民在选举和买票方面的偏好因人而异。对于选民,可从以下维度进行区分:
| 维度 | 具体选项 |
| — | — |
| 是否接受奖励 | 是/否 |
| 初始偏好 | 买票者的选择/其他 |
| 对买票企图的知晓程度 | 无/听说传闻/完全知晓 |
| 是否为目标选民 | 是/否 |
| 投票选择 | 买票者的选择/其他 |

这种分类可以应用于上述 1 - 6 类选民集合,并且扩展了 Acker 对选民的分类。Acker 将受选举承诺影响的选民分为:
- 已顺从选民:即使没有选举承诺,也会为施压者投票。
- 改变投票意向的选民:因选举承诺而为施压者投票。
- 不顺从选民:尽管有选举承诺,也不会为施压者投票。

新的分类明确包含了一类选民,即那些因买票企图而从“买票者的选择”改为“其他选择”的选民,他们认为买票行为令人厌恶,不会为涉及该行为的任何人投票。

1.2 投票影响示例分类

以下是根据上述维度对投票影响示例的分类,同时注明每个示例针对的选民子集:
| 示例 | 条件 | 群体规模 | 相关性 | 类型 | 不服从情况 | 针对性 | 可扩展性 | 成本

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值