提出了一种基于动态可解释循环神经网络的通用框架，用于多模态数据的非线性DS重建和跨模态关系分析。该算法能够通过利用其他信道来弥补单个数据通道中过度嘈杂或缺失的信息，并演示了该算法如何学习将不同数据域链接到潜在动力学。

Nov, 2021

对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为Latent Dynamics Network的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

Apr, 2023

本文说明了在使用图神经网络时易忽视的一种在网络动力学建模方面的误解，指出利用嵌入在神经动力网络模型中往往会导致模型拟合观测数据的表现良好但动力行为不正确，因此提出了一个不使用嵌入的替代方法，通过实验证明了该模型可以可靠地从时间序列数据中恢复不同网络拓扑下的广泛动态。

May, 2023

本文提出了一种基于数据驱动的普适专家模块，即光流估计组件，用于捕捉广泛的实际物理过程的演化规律；通过精细的物理流程设计和神经离散学习，增强了局部洞察力并获得潜在空间中的重要特征。实验结果表明，与现有的基线方法相比，所提出的框架取得了显著的性能提升。

Feb, 2024

从数据库中无监督地学习高维时间序列的潜在动力学是一个挑战，该论文从物理归纳偏差和学习-识别策略的角度研究了这个问题，并提出一种新颖框架 Meta-HyLaD，用于无监督元学习混合潜在动力学，既包括已知的数学表达式又包括描述未知误差的神经函数，并通过对五个物理系统和一个生物医学系统的广泛实验证据来说明 Meta-HyLaD 整合丰富的先前知识优势并识别其与观测数据之间的差距。

Mar, 2024

本文旨在通过恢复底层的低维潜在状态及其时间演化来改进动力系统的泛化能力和解释能力。我们提出了一种基于变分自编码器的实用算法，并在逼真的合成环境中进行了实证研究，证明我们能够高准确性地恢复潜在状态动力学，相应地实现高未来预测准确性，并且能够快速适应新环境。

Jun, 2024

通过连续学习模式切换图ODE（MS-GODE）的新框架，能够持续学习不同动态的系统，并将系统特定的动态编码为模型参数上的二进制掩码，从而根据观测数据选择最可信的掩码，识别系统并相应地预测未来轨迹。

Jun, 2024

该研究解决了现有潜在变量估计方法在动态噪声和系统非线性方面的鲁棒性不足的问题。作者提出了一种概率方法来改进分解模型中潜在变量的估计，并引入扩展的潜在动态模型以提高对非线性的鲁棒性。研究表明，该方法在多种噪声条件下的非线性系统中能够更准确地推断潜在变量，并成功应用于实际临床神经生理数据集。

Aug, 2024

本研究解决了如何有效整合来自多个动态领域的数据，以生成系统动态模型的核心问题。提出了一种层次化的方法，能够在保留单一领域动态特性的同时，利用群体级别的信息，促进了对短时间序列的有效重建。研究显示，这种方法能够发现相似动态数据集的共同低维特征空间，并对控制参数与动态之间的关系进行高效解释，具有重要的应用潜力。

Oct, 2024

本研究解决了在复杂现实系统中应用动态系统理论所面临的数学建模、非线性和高维度问题。我们提出了一种数据驱动的计算框架，能够直接从原始实验数据中推导出非线性动态系统的低维线性模型，从而实现全局稳定性分析。这种新方法提供了对复杂动态行为的深入理解，具有广泛的应用潜力，特别是在物理、气候科学和工程等领域。

Nov, 2024