本论文提出了一种数据高效的稳健反向设计（Robust Inverse Design under Noise，RID-Noise）方法，其利用现有的有噪数据训练条件可逆神经网络（cINN）来估算设计参数的稳健性，并定义一种样本权重，在基于 cINN 的反向模型的最大加权似然估计中使用。实验结果表明，该方法在多个真实世界基准任务中比其他最先进的反向设计方法更有效。

Dec, 2021

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

该论文介绍了 Real-time Adaptive 和 Interpretable Detection（RAID）算法，该算法能够适应多元动态过程中的非静态效应，从而提高检测精度并改进根本原因的隔离控制。

Apr, 2023

决策制定和规划长期以来在很大程度上依赖于基于人工智能的预测。

Jan, 2024

应用人工智能和无人机的相机技术，可以有效地提高直升机的安全性能，并通过将多种卷积神经网络进行组合，对其姿态进行准确预测。

Jun, 2023

我们提出了一种基于机器学习的异常检测产品 ——AI Detect and Respond (AIDR)，它能够实时监测沃尔玛的业务和系统健康状况。在验证期间，该产品使用超过 3000 个模型为 25 个应用程序、平台和运营团队提供了预测，覆盖了 63% 的重大事件，并将平均检测时间 (MTTD) 缩短了 7 分钟以上。与以往的异常检测方法不同，我们的解决方案利用统计学、机器学习和深度学习模型，同时继续使用基于规则的静态阈值来整合领域特定知识。单变量和多变量机器学习模型通过分布式服务部署和维护，以实现可伸缩性和高可用性。AIDR 具有反馈循环，借助漂移检测算法和用户反馈来评估模型质量。它还提供自助入门功能和可定制性。与以前的方法相比，AIDR 在各个内部团队中都取得了成功，其检测时间更短，误报较少。在未来，我们的目标是扩大事故覆盖和预防范围，减少噪音，并与根本原因推荐 (RCR) 进一步整合，实现端到端的 AIDR 体验。

Apr, 2024

本研究回顾了在边界层流领域，纳维尔 - 斯托克斯 (Navier-Stokes) 方程的雷诺平均数 (RANS) 模型中，使用实验数据和直接数值模拟数据进行误差边界估计的研究。具体而言，研究探索了通过物理约束来约束 RANS 模型中的误差幅度，采用统计推断来表征模型系数，估算误差，并使用机器学习来优化流体力学的领域。研究结果表明，通过利用湍流建模和物理约束的基础知识，可以实现基于数据的流体力学预测模型的建立。

Mar, 2018

提出了一种基于对称的机器人设计框架，通过结构化对称的寻找来设计高效的对称机器人，覆盖原始设计空间，有高效性和可推广性。

May, 2023

提出并讨论了一种基于新的 Rain 优化算法 (ANROA) 方法的自适应控制方法，用于三相并网太阳能光伏系统

Jan, 2024

本文综述了一些通过将数据驱动建模与先前的解析知识相结合的监督回归模型，以在具有刚体力学描述的系统动力学建模中提高数据的效率和物理完整性，并分析了刚体力学的各种潜在函数和算子。

Dec, 2020