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

基于数据驱动的潜空间动力学识别方法通过嵌入热力学的第一和第二原理，利用自编码器作为非线性降维模型学习潜变量，并通过基于神经网络模型构建潜变量的动力学，遵循广义热动力学原理，从而产生了一种新的损失公式。潜编码器和潜动力学均通过最小化新损失进行训练，其泛化能力强，即使在外推情况下也表现出鲁棒性。此外，实证观察到潜空间中熵产生速率与完全状态解的行为之间存在着有趣的相关性。

Mar, 2024

使用时间滞后变分自编码器（VDE）对复杂的非线性蛋白质折叠等过程进行降维，并通过 saliency mapping 方法分析 VDE 所选择的用来描述动态过程的特征。

Nov, 2017

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

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

本文介绍了一种新方法，使用顺序变分自编码器（SVAE）和神经常微分方程（NODE）来学习神经动力学的低维逼近。该方法产生的光滑动态可以准确地预测认知过程，并显示出对任务相关的脑区的改善空间定位并识别出著名的结构，如 fMRI 运动任务记录中的运动全身像。

May, 2023

利用贝叶斯推断、变分自动编码器和具体松弛技术，学习从局部和高维观察中获取更全面和有意义的状态空间，从而提高在各种模拟任务中学习的动态准确性的能力。

May, 2019

本文介绍了一个自编码器框架，结合隐式正则化和内部线性层，自动估计数据集的底层维度，生成正交流形坐标系，并提供周围空间和流形空间之间的映射函数，为拓展样本作出一定的贡献，展示了该框架在各种数据集中对流形维度的能够自动估计，分析了该架构的梯度下降动态，以及扩展到状态空间建模和预测的应用，并证明了该框架对超参数选择的鲁棒性。

May, 2023

我们提出了一个框架，旨在学习两个连续时间步骤中观察到的图像之间的基本动态。通过估计图像演化的中间阶段，我们的方法关注在保持图像的空间相关性的同时提供可解释性，并通过偏微分方程中表示的物理模型引入潜在动态学变量，确保了所学模型的可解释性并提供了相应图像动态的洞察力。通过对地球科学图像数据进行一系列数值测试，我们证明了我们学习框架的鲁棒性和有效性。

Oct, 2023

本文介绍了一种用于无人监督学习序列数据的框架 ——Kalman 变分自编码器，该框架在描述视频中的动态变化时不使用构成其帧的像素空间，而是用一个描述其物体非线性动态的隐藏空间。该模型在各种模拟的物理系统视频中进行端到端训练，在生成和缺失数据输入任务方面优于竞争方法。

Oct, 2017