本文结合神经网络表示法和 PDE-inspired 方法提出了一种新的方案，用于逼近信号过程的未归一化条件分布，并进一步开发了一种递归归一化过程。我们将该新方案与 Kalman 和 Benes 滤波器的数值逼近结果进行了测试。

Jan, 2022

该论文提出了一种基于强化学习和神经网络的算法用于解决高维情况下的偏微分方程和反向随机微分方程等数学问题，并在物理和金融学领域的各种非线性情况下进行了测试和优化。

Jun, 2017

通过嵌入边界和复杂几何形状解决椭圆型偏微分方程的新型神经算子 (Boundary-Embedded Neural Operators)，在不均匀边界条件和复杂几何形状上的实验证明，该算子优于现有算法和基准算子，平均提升效果达 60.96%。

Jan, 2024

本文介绍一种新的用于解决高维金融模型中的非线性偏微分方程的方法，该方法包含非线性现象、深度神经网络和随机梯度下降类型优化过程，并通过海量数据的数值结果证明了该方法的高效性和精确性。

Sep, 2017

本文介绍了一种基于偏微分方程框架的深度残差神经网络和相关学习问题的方法，并研究了前向问题的稳定性和最优性，同时探究了神经网络、PDE 理论、变分分析、优化控制和深度学习之间的算法和理论联系。

May, 2019

本文提出了一种以高斯过程回归为基础的概率数值逼近方法来解决常微分方程，通过构建一个测量序列，观测高斯过程导数和向量场之间的差值，可以将问题转化为非线性贝叶斯滤波问题，从而推导出新颖的高斯支持 ODE 算法以及粒子滤波方法的非高斯近似。

Oct, 2018

本文提出了一种新的框架，将神经网络、遗传算法和自适应方法相结合，应用于从稀疏噪声数据，不完整的备选库和空间或时间变化系数中发现偏微分方程。该方法在 Burgers 方程，对流扩散方程，波动方程和 KdV 方程上进行了测试，结果表明该方法对噪声数据具有鲁棒性，能够发现具有不完整备选库的参数 PDE。

May, 2020

利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

Jun, 2018

通过连接种植扩散模型（DMs）的随机微分方程（SDEs），本文旨在理解和增强贝叶斯流网络（BFNs），从而迭代地通过贝叶斯推理改进各种噪声水平下分布的参数。通过这些发现并结合 DMs 中快速采样的现有方法，我们为 BFNs 提出了一种专用求解器，在图像和文本数据集上用有限数量的函数评估（例如 10 次）大大超过了原始 BFN 采样器的样本质量。其中，我们最优采样器的速度提高了 5 到 20 倍，且免费提供代码。

Apr, 2024

本文提出了一种用于任意分布的点的时空预测的新方法，该模型可以利用偏微分方程来推导数据动态的连续时间模型，通过有限元方法，在空间域的网格化中估计未知动态对每个单元格的瞬时影响，我们的模型可以通过假设方程的形式来将先前知识纳入其中，并从对流方程导出一个运输变体，该模型对比基准模型，表现了更好的海面温度和气体流量预测的转移性能。此外，我们的模型具有独特的可解释性。

Mar, 2022