本文提出新的动态滤波器和动态运动表示（DMR）以改善人类动作识别，并使用 3D 卷积网络和多任务学习方法进行视频分类，实验结果表明 DynamoNet 对所有数据集具有很好的分类效果。

Apr, 2019

利用大量未标记的视频来学习场景动态的模型，提出了一种具有时空卷积结构的生成对抗网络来生成视频，该模型能够更好地预测静态图像的合理未来，并且能够识别动作的有用特征，这表明场景动态是表示学习的一个有前途的信号。

Sep, 2016

本文提出了 HybridNet，这是一个集成数据驱动深度学习和模型驱动计算的框架，在准确掌握参数知识的情况下可靠地预测动态系统的时空演化，实验结果表明该方法比基于深度学习的现有方法具有更高的预测精度。

Jun, 2018

本文提出了一种稳定学习动态系统的方法，该方法采用联合学习动态模型和李雅普诺夫函数的方法，这样学习的系统在整个状态空间内保持稳定，同时它也能够被结合到其他深度生成模型中学习复杂的动态系统，例如视觉纹理。

Jan, 2020

本文提出了一种深度生成对抗网络（DIGAN），其利用隐性神经表示的视频生成，通过操作空间和时间坐标的不同方式来改善运动动力学，有效地缓解视频生成的问题。在多个数据集上，DIGAN 的性能均优于现有最先进的方法，可以生成更长的视频序列，并实现自然运动和非自回归视频生成等多种特性。

Feb, 2022

本研究提出了一种基于线性动态系统和非线性映射理论的预测 - 纠正神经网络模型，能够自适应地关注‘惊奇’的视频帧，优化学习效率。研究表明，该模型在三个挑战数据集上的表现与双流网络相当，而无需计算昂贵的光流技术。

Apr, 2017

本文利用深度学习中的长短时记忆（LSTM）算法，提出了一种新的编码 - 时间序列解码（Encoder-LSTM-Decoder, E-LSTM-D）深度学习模型，能够在一个统一的框架内自动学习结构和时间特征，有效地处理动态网络中的链接预测问题，实现了非常优异的预测效果。

Feb, 2019

本文介绍了一种网络体系结构，称为 dynoNet，利用线性动态算子作为基本构建块。由于这些块的动态性质，dynoNet 网络专为序列建模和系统识别目的而设计。运用现有的深度学习软件，定义了线性动态算子的反向传播行为，这使得包含线性动态算子和其他可微单元的结构化网络的端到端训练成为可能。本文通过在知名系统识别基准测试上展示了所提出的方法的有效性。

Jun, 2020

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

本文介绍了一种高效的弱监督学习模型 Dynamic Adaptive Network Intelligence (DANI)，用于准确地学习数据中的显式和隐含关系，该模型在 bAbI 数据集的问答任务上取得了最先进的结果。

Nov, 2015