本文提出了 SLANT，一种基于标记的跳跃扩散随机微分方程的概率建模框架，用于表示用户随时间变化的意见，可以从历史细粒度事件数据中进行有效的模型模拟和参数估计，并利用该框架得出了一组有效的预测公式，实验结果表明，该模型提供了良好的拟合，并且比其他方法实现了更准确的预测。

Jun, 2015

本文提出了名为 SINN 的机器学习框架，可以从数据中学习随机动力学，并演示了其在粗粒化问题和过渡动力学建模方面的应用及其在罕见事件模拟方面的适用性。

Feb, 2022

我们提出了一种基于有界置信度的信息传递框架 ODNet，将社会网络和神经信息传递的概念相结合，用于分析和推断动态系统的行为。通过调整有界置信度和影响力权重，并定义与社交网络图特点一致的观点交换规则，我们的方法能够简化复杂的社交网络图，准确识别内部社区和基因在不同代谢途径中的角色。

Oct, 2023

本文提出一种推论机制，将生成的意见动态代理模型拟合到现实世界的社交信息中，不仅保留了基于代理的模型的优点（即因果解释），而且还具有在真实数据上进行模型选择和假设测试的功能。

Jun, 2020

本文通过研究物理信息驱动的神经网络（PINNs）来编码控制方程，并评估其在两个不同系统的实验数据上的表现。我们发现，在简单的非线性摆系统中，PINNs 在理想数据情况下胜过了等效的无信息神经网络（NNs），在 10 个线性间隔和 10 个均匀分布的随机训练点上的准确度分别提高了 18 倍和 6 倍。在使用来自实验的真实数据进行类似测试的情况下，PINNs 相对于 NNs 的准确度提高了 9.3 倍和 9.1 倍，分别对应于 67 个线性间隔和均匀分布的随机点。此外，我们还研究了物理信息驱动模型在物理系统中的可行性，并选择 FPGA 作为部署计算的基板。鉴于此，我们使用了一台 PYNQ-Z1 FPGA 进行实验，并找出了与时间相干感知和空间数据对齐相关的问题。根据提出的系统架构和方法，我们讨论了从这项工作中获得的见解，并列出了未来工作计划。

Jan, 2024

通过将离散化的微分方程融入到 PINN 框架中，改进物理信息神经网络在处理不连续输入数据方面的准确性，并减少数值模拟的计算成本。

Apr, 2024

本篇论文提出了一种基于物理知识的神经网络（PINN）方法来监测柴油发动机的健康状况，并考虑将深度神经网络（DNN）与 PINN 模型相结合，以更好地适应柴油发动机的状态。

Apr, 2023

文章综述了物理学启发的神经网络（PINN）的文献，并介绍了其特点和优缺点。此外，研究还包括了使用 PINN 以及它的许多其他变体解决 PDE、分数方程、积分微分方程和随机 PDE 的广泛应用领域，以及它们的定制化方法，如不同的激活函数、梯度优化技术、神经网络结构和损失函数结构。虽然该方法被证明在某些情况下比有限元方法更可行，但它仍面临理论问题尚未解决。

Jan, 2022

作者设计了一个端到端的深度神经网络框架 DeepInf，用于学习用户的潜在特征表示以预测社交影响，并且在不同类型的社交和信息网络上展开了广泛的实验以证明该模型的显著优越性。

Jul, 2018

本文提出了一种基于深度学习的动态意见推断模型 GCN-GRU 用于处理大规模网络中具有不确定性的意见，该模型通过融合多种意见并利用深度学习技术解决了主观逻辑模型存在的可扩展性、异构拓扑和时间依赖性的能力以及冲突证据的高度敏感性的局限，通过实验证明了其在四个实际数据集上的超越表现。

Oct, 2019