本文介绍了一种基于 Markov 过程的 mean field variational approximation 方法，用于近似描述 Continuous-time Bayesian networks 中的概率分布，并提供了较好的推断和学习效果。

May, 2012

本文提出一种利用伴随灵敏度方法计算随机微分方程梯度的方法，结合高阶适应性求解器，实现快速、内存高效的梯度计算。并将该方法应用于基于神经网络的随机动力学拟合中，表现出竞争性的性能。

Jan, 2020

研究了图结构识别问题，通过观测到的时间序列，从线性随机网络动态系统的状态设置中获取组件，计算了特征向量，并使用这些特征来训练卷积神经网络进行因果推断，在各种网络上推广良好，可解决大规模系统中不能处理所有节点的问题。

Aug, 2022

本文介绍了一种基于路径增强和数据驱动控制的方法，可以高效地确定低采样率下系统的确定性力量，以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。

Apr, 2023

对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为Latent Dynamics Network的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

Apr, 2023

本文提出了一种结合随机微分方程和图神经网络的框架(BROGNET), 用于直接从轨迹学习布朗运动, 并在多个系统上进行了实验验证, 证明了其在学习动力学方面的优越性和对不同尺度和温度的泛化能力.

Jun, 2023

该论文提出了一种基于 Gumbel 图网络的随机模型，能够学习高维度时间序列，捕捉随机性和空间相关性，通过Kuramoto的模型比较了两个损失函数的Hessian矩阵，实验证明该模型在收敛性、稳健性和泛化性方面都具有优势。

Jul, 2023

我们提出了一种新颖的模型，即图神经随机微分方程（Graph Neural SDEs）。此技术通过使用布朗运动将随机性嵌入数据表示，提升了图神经常微分方程（Graph Neural ODEs），允许评估预测的不确定性，尤其在置信度预测方面超过了常规模型如图卷积网络和图神经常微分方程，使其在处理静态和时空上下文中的超出分布检测方面更加优越。

Aug, 2023

通过稀疏观测数据，我们引入了一种新的随机过程，称为神经常微分方程过程，用于学习连续网络动态，在各种领域中的网络动态具有优秀的数据适应性和计算效率，并可以适应新的网络动态，仅需要约6%的观测数据比例，并且显著提高了对新动态的学习速度。

Oct, 2023

本研究解决了现有方法在处理复杂非线性动态系统时的局限性，尤其是在控制、预测和优化等应用领域。我们提出了一种新方法，能够高效估计多维非线性受控随机微分方程的漂移和扩散系数，并提供了强有力的理论保证和实际有效性，极大地推动了该领域的研究进展。

Nov, 2024