本文提出了一种使用神经随机微分方程学习控制动力学模型的框架和算法，能够构建模型预测控制算法以及模型基的增强学习领域中的仿真器，在模拟机器人系统中得到良好的应用。
Jun, 2023
该研究表明，对于具有强刚性系数的广泛控制随机微分方程，相关零和博弈的价值函数可以由深度人工神经网络来表示，该网络的复杂度在状态方程的维度和所需精度的倒数方面都呈多项式增长。
Mar, 2019
本文介绍了一种将传统经典方法与神经随机微分方程（SDEs）相结合的方法，作为连续生成时间序列模型，无需预设统计或密度功能即可适应任意漂移和扩散，其输入噪声为布朗运动，输出样本是由数值求解器产生的，可用于机器学习中的时间序列建模。
Feb, 2021
本文提出了一种基于稳定化术语的神经微分方程方法：稳定化神经微分方程，用于实现关于神经微分方程的约束条件，提出的方法简单易行，适用于常见的神经微分方程模型，并能够超越现有方法的应用范围。
神经微分方程是深度学习和动力系统相结合的一个研究领域，可用于解决生成式问题、动力系统和时间序列。本文提供了这个领域的深入调查，并涵盖了神经微分方程的多种类型及其相关的数值方法和符号回归。
Feb, 2022
通过深度神经网络导出和分析了一种近似解决随机微分方程的新方法，该方法的架构灵感来自于函数空间中的操作符学习的概念，并通过网络表示了一个降维基础。在我们的设置中，我们利用随机过程的多项式混沌展开（PCE）并将相应的架构称为 SDEONet。该方法旨在通过学习维纳混沌展开式的最佳稀疏截断来减轻指数复杂性问题，并通过数值实验展示了在一维和高维中建议方法的有希望性能。
Feb, 2024
本研究介绍了一种新型连续神经网络框架 Neural SDE，该框架自然地融合了基于随机噪声注入的各种常用正则化机制，可用于输入干扰和非对抗性扰动的鲁棒建模，并可实现更好的泛化性能和对抗性强化训练。
Jun, 2019
基于连续时间随机微分方程和变分推断，我们提出了一种新的结构学习方法 SCOTCH，可以自然地处理任意时间点的学习和预测观测，并在合规和非合规采样间隔下，在合成和真实数据集上表现出较好的结构学习性能。
Nov, 2023
本文提出了一种结合神经网络和基于随机微分方程的经典风险模型的模型 —— 神经 SDE 模型，该模型可以根据市场数据进行一致性校准，并用于模拟市场场景以评估风险和对冲策略。
Jul, 2020
本文提出了一种名为神经跳跃随机微分方程的数据驱动方法，用于学习连续和离散动态行为，即同时具有流动和跳跃的混合系统，并在几个合成和真实世界的标记点过程数据集上展示了其预测能力。
May, 2019