本文提出了一种名为因果关系网络的算法，采用神经网络学习因果模型，并使用连续表示方法表示因果模型，从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型，同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的效果。

Aug, 2020

通过数据驱动算法和高性能计算，我们构建了一个基于时空光锥的框架，用于实现新现象的自组织，并且本文指出局部因果状态可以在复杂的时空系统中捕捉有序行为和一致结构。在二维湍流方面，我们证明了局部因果状态捕捉了涡旋及其幂律衰减行为，而在应用方面，我们演示了局部因果状态可用于识别已知（飓风和大气河流）和新的极端天气事件，并且可以通过高分辨率气候数据进行时间跟踪。

Apr, 2023

利用局部线性模型和层次聚类的方法，对复杂系统进行分析，将数据划分为多个窗口进行简单的指数衰减和振荡分析，通过收集每个窗口的参数，提取出时间序列的特征，从而可以应用于分析 $C. elegans$ 神经元运动和全脑成像等研究。

Jul, 2018

提出一种新型的 ICA 算法，满足生物电路中的要求，涉及的关键词有盲源分离，独立分量分析，神经网络，突触可塑性和生物电路。

Nov, 2021

为确保自动驾驶系统的安全运行，该研究引入了因果查询的正式化，建立了抽象的安全原则，从而降低与关键影响因素相关的临界性，并对数据采集、模型质量等方面做出了贡献。

Oct, 2022

我们提出了一个基于数据驱动的、物理上可行的深度学习框架，用于分类动力学区域和表征分支边界，基于提取拓扑不变特征。我们还演示了该方法在分析真实数据中的使用，通过基于单细胞数据，在基因表达空间中恢复胰岛内分泌发育轨迹上的不同增殖和分化动态。我们的方法为各种动力学系统的定性长期行为提供了有价值的洞察，并能检测大规模物理和生物系统中的分叉或灾变转变。

Dec, 2023

本研究旨在探讨利用收集的神经元电信号数据，结合神经科学的领域知识，通过一定的条件，实现高维组合函数的稀疏非线性模型复原。研究发现，权重的符号约束是实现神经电路模型复原的必要条件，并在模拟生物电路实验中，通过理论和实验得出了相关结论，最终在小鼠视网膜的视神经元电路数据中对实验进行了案例研究，展示了本方法在实践中的潜力。

Jun, 2021

此文综述了信息论、生物网络、实验分析、进化优化和序列多样性等方面的研究成果及相关证据

Dec, 2014

我们考虑时齐动力系统的一般类别，包括离散和连续性，并研究从观测数据中学习状态的有意义表示的问题。这对于学习系统的前向传递算符非常关键，从而可以用于预测未来状态或可观测量。该表示通常通过神经网络参数化，并通过优化类似于规范相关分析（CCA）的目标函数来学习。然而，与 CCA 不同，我们的目标避免矩阵求逆，因此通常更稳定且适用于挑战性的情况。我们的目标是 CCA 的一个紧松弛，并通过提出两种正则化方案进一步增强，一种鼓励表示的分量正交而另一种利用 Chapman-Kolmogorov 方程。我们将该方法应用于具有挑战性的离散动力系统，讨论其相对先前方法的改进，并应用于连续动力系统。

Jul, 2023

本文介绍了一种表达能力强且带有层次结构约束的 Deep Component Analysis 模型，并提出了基于递归交替方向神经网络（ADNNs）的可微优化算法实现。通过将前馈神经网络解释为模型中推理的单次迭代近似，不仅提供了一种新的理论视角，还提供了一种利用先验知识约束预测的实用技术。在实验中，我们证明了该模型在许多任务上的性能改进，包括单图像深度预测与稀疏输出约束。

Mar, 2018