此研究通过使用 DLGM 模型，利用深度学习对危害进行分级，并应用于 18 个工业过程进行实验，结果表明其具有卓越的应用前景，为工业安全实践提供了有价值的支持。

Sep, 2022

开发了一个深度学习平台，用于预测低能见度事件或雾霾的发生。它通过使用多年来各种气象和水文变量的区域地图作为输入特征和地表能见度观测作为目标进行训练。为了更好地保留不同输入特征的特征空间信息，最近为巴黎雾霾开发了两种分支架构。这些新架构改进了网络性能，在验证和使用 2021 年和 2022 年的数据进行盲预测评估时产生了合理的得分，这些数据未用于训练和验证。

Oct, 2023

通过分析经典参数下二维 Henon 地图中的一个算法，在预测极端事件方面确定算法的性能，并发现在保持一定精度的情况下，机器学习算法的成功率依赖于预测时间、训练样本数和网络规模等因素，其内在混沌性质和机器学习参数之间存在类似的关系。

Feb, 2020

基于机器学习的预测性诊断和健康监测工具为制造商提供了新的机会，以风险优化的方式运营和维护设备，并在其生命周期内更可持续地利用。然而，在大多数工业环境中，数据往往数量有限，质量也可能不一致，这对开发和运行可靠的机器学习模型至关重要。为了弥补这一实践中的差距，成功工业化的预测性诊断和健康监测工具依赖于引入领域专业知识作为先验，以实现足够准确的预测，并提高其可解释性。因此，发展数据驱动的预测性诊断和健康监测工具的关键挑战之一在于将维护人员、开发人员和服务工程师的经验和过程知识转化为数据结构，该结构不仅必须捕捉到专业知识的多样性和变异性，还必须使这些知识能够让各种数据驱动算法访问。这导致数据模型严重依赖于特定应用程序和开发团队旨在检测或预测的故障模式，缺乏标准化方法限制了开发的可扩展性和可转移性，并阻碍了标准数据管理和 MLOps 工具的利用，增加了开发团队的负担。DeepFMEA 从故障模式与影响分析（FMEA）中汲取灵感，以其结构化的方法分析任何技术系统和由此产生的标准化数据模型，同时考虑到捕捉过程和维护专业知识的关键方面，以对领域专家直观，并使得所得信息可以作为先验引入机器学习算法。

May, 2024

本文提出了一种基于深度神经网络的伽马脆弱性模型 (DNN-FM)，通过最大化全新的 h-likelihood，提供固定参数的最大似然估计值和随机脆弱性的最佳无偏预测值。本文实验表明，所提出的方法提高了现有方法的预测性能。同时，实际数据分析表明，包含个体特异性脆弱性有助于改善基于 DNN 的 Cox 模型（DNN-Cox）的预测。

Jul, 2023

气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络（GANs）模拟了孟加拉湾的极值风速、显著波高和总降水量，结合传统的极值理论进行尾部推断，为气候风险评估和灾害应对提供了有效的方法。

Nov, 2023

研究机器人机械部件故障检测和诊断中的 Deep Scattering Spectrum（DSS） 方法，通过从输入信号中提取低方差特征，实现对简单和复杂分类问题的故障检测和诊断，分类准确率分别为 99.7% 和 88.1%。

Oct, 2022

使用 UNHaP（Unmix Noise from Hawkes Processes）方法，本研究介绍了一种新的方法来处理生理信号分析中的事件检测和噪音问题，通过联合学习事件的时间结构和去除虚假检测，该方法有效地减少了假阳性检测率。

Jun, 2024

提出了一种用于同时多事件预测的新神经结构，利用 transformers、normalizing flows 和 probabilistic layers，以实现 spatio-temporal Hawkes 过程的批量复杂历史相关的未来离散事件分布预测，取得了包括南加州地震，Citibike，Covid-19 和 Hawkes 合成风车数据集在内的各种基准数据集的最新性能。

Nov, 2022

本文介绍了两种新的模拟结构化数据的形式，并证明它们可以捕捉到丰富的结构并可扩展到大规模数据。第一种形式是铰接损失马尔可夫随机场（HL-MRFs），是一种新的概率图模型，可以推广凸轮廓推断的不同方法。第二种新形式是概率软逻辑（PSL），是一种基于一阶逻辑的概率编程语言，使 HL-MRFs 易于定义。这些算法使 HL-MRFs 和 PSL 能够可扩展地模拟以前无法达到的大规模丰富结构数据。

May, 2015