本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

Apr, 2022

本文介绍了一种基于门控神经网络的多模式学习新模型，称为 Gated Multimodal Unit (GMU) 模型，该模型用于在神经网络结构的内部单元中学习如何将来自不同模式的数据进行组合，并可用于电影类型分类中，通过使用剧情和电影海报的信息，模型在多标签情况下显著提高了单模式方法的性能，并优于其他的融合策略，同时提供了一个新的多模式数据集 MM-IMDb 用于电影类型分类的研究.

Feb, 2017

本文提出了一种属性引导的多粒度指令多模型（MGIMM），用于遥感图像的详细描述，并通过在区域级别指导调整实现了多模型的一致性学习。通过多颗粒度的视觉特征，MGIMM 可以充分感知区域级和全局图像信息，利用大语言模型对遥感图像进行全面的描述。实验证明了 MGIMM 的区域 - 属性引导学习方法的有效性。

Jun, 2024

提出了一种物理信息驱动的机器学习方法，用于近似奇异干扰系统的慢不变流形，并提供了简单的功能形式，以促进简化模型的构建和数值积分。通过三个基准问题的评估，证明了该方法的效率和准确性优于传统的基于 Geometric Singular Perturbation Theory 的方法，并且对扰动参数的大小没有影响。

Sep, 2023

本文使用图神经网络（GNNs）学习图模型和马尔可夫链的随机场（MRF）来解决无线通信中的大规模 MIMO 检测问题，实验表现出比基于置信传播（BP）的 MMSE（minimum mean-squared error）基准检测器更好的性能。

Jul, 2020

本文提出了基于图神经网络的 MP 检测器后验分布启发式微调的新框架，同时提出了两种基于神经网络的检测器，其中 GEPNet 检测器最大化检测性能，GPICNet 检测器平衡性能和复杂度，仿真结果显示，GEPNet 检测器在各种配置下的性能接近最大似然性能，GPICNet 检测器比 BPIC 检测器的多路复用增益翻倍。

Jun, 2022

本文提出了一种新的物理启发符号学习方法（PISL），并使用 Nest Generation Attenuation-West2 数据库，使用序列阈值岭回归算法自动发现数学运算符作为符号，提取由复杂系统发出的地面运动的简洁且易于理解的显式特征描述。通过对峰值地面加速度和速度的数据进行比较和外推来评估使用 PISL、经验回归方法和人工神经网络开发的 GMM 的残差和外推能力，并发现 PISL-GMM 提供了同时考虑物理学和数据驱动机器学习的新型回归算法，可以用于在不同区域中识别地震运动变量的预测方程式。

Mar, 2023

设计了一种新颖的非线性模型预测控制策略，适用于具有增量输入输出稳定性的系统，特别适用于递归神经网络学习的系统，并应用于门控循环单元网络的控制架构，通过基于简单的代数条件实现闭环稳定和状态观察器设计。

Sep, 2023

在这篇论文中，我们提出了一种基于高斯过程回归的黑盒模型，用于识别机器人操纵器的反向动力学。我们的模型基于一种新颖的多维核函数，称为拉格朗日启发的多项式核。该模型能够估计动能和势能，而无需这些量的标签，并且在准确性、广泛性和数据效率方面优于基于高斯过程和神经网络的最先进的黑盒估计器。在模拟和两个真实的机器人操纵器上的实验结果表明，我们的方法实现了与精细调整的基于模型的估计器相当的性能，尽管需要更少的先验信息。

Oct, 2023

本文提出的方法利用物理引擎技术和基于贝叶斯优化的模型参数优化算法，通过模拟实验和样本学习的方式，有效地辨识了机器人的力学参数，提高了现有策略搜索算法的数据效率。

Oct, 2017