将专家 ODE 集成到神经 ODE 中：药理学和疾病进展

Jun, 2021

将专家 ODE 集成到神经 ODE 中：药理学和疾病进展

Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression

Zhaozhi Qian, William R. Zame, Lucas M. Fleuren, Paul Elbers, Mihaela van der Schaar

TL;DR该研究提出一种潜在的混合模型 (LHM)，该模型将专家设计的常微分方程系统与机器学习的神经微分方程系统相结合，以完全描述系统动态并将专家和隐变量与可观元量链接起来，特别是在样本较少的情况下表现优异，其应用场景为药物治疗疾病的进展预测。

Abstract

Modeling a system's temporal behaviour in reaction to external stimuli is a fundamental problem in many areas. Pure Machine Learning (ML) approaches often fail in the small sample regime and cannot provide actionable insights beyond predictions. A promising modification has been to inc

temporal behaviour ml models expert domain knowledge ordinary differential equations latent hybridisation model

发现论文，激发创造

一种基于统计学的隐性动态建模方法与微分方程

使用普通微分方程进行统计建模，处理纵向队列数据中的局部变化问题，并利用神经网络进行动态建模和参数提取。

Nov, 2023

神经常微分方程用于干预建模

该论文提出了一种名为 IMODE 的新型神经 ODE 方法，该方法可以有效地处理具有干预效应的实际系统动态，并通过合成和真实时间序列数据集的实验结果展示 IMODE 相对于现有方法的优越性。

Oct, 2020

神经 ODE 中的预测之外：鉴别和干预

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

学习动力系统中未观测状态的控制方程

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

混合方块神经 ODE 因果建模

通过将机械化 ODE 动力学与灵活且富有表现力的神经网络组件结合起来，我们解决了混合模型中因机械化模型的灵活性而失去因果关系的问题，并在建模运动期间的血糖动力学方面实现了既具有领先预测性能又具有因果有效性的双赢。

Feb, 2024

记忆神经微分方程及正交多项式投影

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

通过神经 ODEs 和控制理论揭示 LLM 机制

此研究提出了一种新颖的方法，利用神经常微分方程（Neural ODEs）揭示大型语言模型（LLMs）中输入和输出之间错综复杂的关系，并采用稳健控制来微调输出以满足预定义的标准。该方法的核心是将 LLM 的输入和输出转换为低维的潜在空间，从而便于详细研究 LLM 内的信息处理路径。神经常微分方程在这一研究中发挥关键作用，提供了一个动态模型，捕捉了 LLM 中数据的连续演化。此外，稳健控制机制被应用于策略性地调整模型的输出，确保其不仅保持高质量和可靠性，还符合特定的性能标准。神经常微分方程和稳健控制的融合在 LLM 可解释性方面代表了重大进展，提供了一个综合框架，阐明了这些复杂模型以前不透明的机制。我们的实证结果验证了这种整合方法的有效性，为可解释 AI 领域做出了重大贡献，将先进的机器学习技术与对 AI 输出的透明度和控制的重要需求相结合。

Jun, 2024

长期异质治疗效果推断的 ODE 发现

通过引入基于常微分方程的解决方案，我们提供了一个全新的处理方式，用于推断无偏的治疗效果，并将其构建为一个框架，可以将任何常微分方程发现方法转化为治疗效果的方法。

Mar, 2024

可解释的深度学习用于肿瘤动力模型化和整体生存预测的神经微分方程

提出了使用肿瘤动力学神经 - 常微分方程 (TDNODE) 作为一种药理学信息推理神经网络，以便从肿瘤长期大小数据中实现模型发现，并且证明了该方法能够准确地预测患者的整体生存。

Aug, 2023

神经常微分方程用于环境水动力学数据驱动的降阶建模

本研究探讨使用神经常微分方程作为一种传播基于简化模型的潜在空间动力学的方法，并与两种传统的非侵入性方法进行比较，发现神经常微分方程提供了一个稳定和准确的演化潜在空间动力学的框架，但为了促进其广泛应用于大型系统，需要加速其训练时间。

Apr, 2021