本论文提出了解释性元神经微分方程 (iMODE) 方法,用于快速学习多个动力系统的通用动力学,学习到这些系统的力场功能变化,可以将先验物理知识方便地嵌入神经网络结构,对 unseen system 进行建模并反推系统的物理参数,或作为神经规的一部分来 “测量” 看不见系统的物理参数。
Jan, 2023
通过结合神经常微分方程和无模型强化学习,我们提出了一种新颖的基于 ODE 的循环模型用于解决部分可观察的马尔可夫决策过程,通过模型推断从历史过渡中提取不可观测的动态相关信息,并通过多个实验验证了方法的有效性和鲁棒性,尤其在处理不规则采样的时间序列方面。
Sep, 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
本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程,并表现出显著的改进。
Feb, 2019
本研究提出了 PolyODE,一种基于正交多项式投影的神经常微分方程模型,用于学习动态系统,以实现长期记忆和整体表示,优于先前的模型在数据重建和下游预测任务中的性能。
Mar, 2023
提出了一种新的随机过程 —— 神经 ODE 过程(Neural ODE Processes),用于捕捉低维度和高维度的时间序列系统动力学,并且相较于现有的神经过程模型,该模型具有适应实时应用的能力和更好的不确定性估计。
Mar, 2021
采用混合神经 ODE 结构结合符号回归来学习部分观测动力系统的控制方程,通过两个案例研究验证该方法成功地学习了这些系统中未观测状态的真实控制方程,并对测量噪声具有鲁棒性。
Apr, 2024
采用简单的正则化方案和柔性神经 ODE,我们可以从时间序列数据中强大地恢复动态和因果结构,并对变量或系统自身进行准确的预测。
Jun, 2021
本研究使用贝叶斯深度学习技术将轻量级机器学习方法应用于神经常微分方程以获得结构化和有意义的不确定性量化,研究了机械知识和不确定性量化在两种神经常微分方程框架下的相互作用 - 辛神经常微分方程和神经常微分方程物理模型的补充,证明了方法在低维 ODE 问题和高维偏微分方程上的有效性。
May, 2023
提出了一个物理感知元学习的框架,该框架利用偏微分方程独立的知识并利用空间模块来适应有限的数据,从而缓解了元学习需要大量真实世界任务的需要,以模拟数据为基础进行元初始化,并在合成和真实世界的时空预测任务中展示了其卓越的性能表现。
Jun, 2020