提出一种名为 AdaLED 的新型系统框架，以自动编码器为主要工具，利用概率递归神经网络进行时间步进，通过在线训练不断改进，建立预测模型从而实现大规模模拟的高速运行和在线适应性学习，应用在 Van der Pol 振荡器，2D 反应扩散方程和 2D Navier-Stokes 圆柱流中，具有较高的准确性和鲁棒性。

Apr, 2023

利用局部线性模型和层次聚类的方法，对复杂系统进行分析，将数据划分为多个窗口进行简单的指数衰减和振荡分析，通过收集每个窗口的参数，提取出时间序列的特征，从而可以应用于分析 $C. elegans$ 神经元运动和全脑成像等研究。

Jul, 2018

提出了一种全深度学习的代理建模方法，名为 LAMP，基于图神经网络进行前向建模和空间精度升级策略的学习。该方法通过加权误差和计算成本的目标函数进行优化，从而可以在推断时自适应地处于误差和计算成本的平衡点，实现了在多分辨率动态系统中的性能提升，并在非线性偏微分方程和网格模拟方面取得了优越的结果。

May, 2023

研究如何在部分可观测线性动态系统中进行系统识别和自适应控制，提出了一种基于模型评估的自适应控制在线学习算法，可通过与环境的交互来估计模型动态，通过在线梯度下降更新控制器并改善控制器效能，该算法达到了未知系统的自适应控制的 Polylog (T) 的遗憾上限。

Mar, 2020

本文介绍了一种名为 Adaptive Policy Transfer for Stochastic Dynamics（ADAPT）的算法，它可以实现零 - shot 安全、鲁棒、动态可行的 RL 策略转移至具有动态误差的新领域。ADAPT 共振离线政策学习的优点，通过在线管基于模型预测控制来减弱源和目标动态之间的有界模型不匹配。我们在 2 个连续的非完整模拟动态系统上评估了 ADAPT，在 4 种不同的扰动模型中发现，ADAPT 的平均奖励累积比直接策略传递高 50%-300%。

Jul, 2017

提出了一种新的框架 CoDA，旨在解决数据驱动模拟物理系统无法泛化到共享相同一般动态的新系统的问题，该框架结合了上下文信息的动态调整和超网络，实现了快速的适应和更好的泛化性能。

Feb, 2022

我们提出了一种通过使用深度学习自编码器模型，将大规模模拟和降阶模型结合起来，以有效地预测各种复杂系统的动态特性的算法，该算法在验证中显示出可行性，并可降低两个数量级的计算成本。

Jun, 2020

本文提出一种改进的离线强化学习算法 - AutoLION，该算法可以在运行时自适应地调整策略行为，利用自动驾驶寻找正确的权衡参数来平衡保守性和性能优化。

Jun, 2023

本文针对线性二次系统的自适应控制过程中参数辨识与控制权衡的问题，提出了一种基于乐观偏置优化（optimism-based）的自适应控制方法。通过采用一些新的技术手段，本文对于重尾分布的随机矩阵的概率行为进行了综合处理，证明了该方法在半末态下的高概率上界是最优的，而且不需要做出过强的假设条件。

Nov, 2017

介绍了一种基于 Lagrangian hedging 的在线算法（包括 regret-matching 和 hedge），通过引入 optimism 和 adaptive step size 对非对抗性问题进行了优化，并给出了相应的性能界限。

Jan, 2021