该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

Sep, 2023

我们将循环神经网络扩展到包含几个灵活的时间尺度，这在机械上提高了它们对具有长期记忆或高度不同时间尺度进程的处理能力。通过比较普通和扩展的长短期记忆网络（LSTMs）在预测已知具有长期记忆的资产价格波动性方面的能力，我们发现扩展的 LSTMs 所需的训练时期减少了一半，而具有相同超参数的模型的验证和测试损失的变化要小得多。我们还展示了在多时间序列数据集上进行训练和测试时，验证损失最小的模型相对于粗略波动性预测的表现普遍提高了大约 20％。

Aug, 2023

机器学习（ML）是一种有效的人工智能（AI）技术，正在广泛应用于多个领域，作者通过对 163 篇科学文章的综述研究，系统地调查了深度学习（ML 技术之一）对硬件错误的弹性，明确阐述了这一文献流的优势和不足，并提出了未来的研究方向。

Sep, 2023

本文研究了神经常微分方程约束下计算精度随时间的方法，使用在动态系统中，通过数据驱动建模和机器学习技术用于技术系统的残差评价，可以高效地检测故障，提高系统稳定性

May, 2023

本文讨论了工业机器学习系统中的数据挑战及解决方案。结合劳动规划案例，介绍了如何使预测系统对数据分布变化、缺失值和异常值具有鲁棒性。采用周期性重训练策略以解决数据分布变化，着重讨论了数据稳定性的关键重要性。此外，文章还展示了深度学习模型如何在不需要插补的情况下本地化处理缺失值。最后，文章介绍了如何检测输入数据中的异常并在其影响预测之前减轻其影响。这样，我们得到了一个完全自主的预测系统，与由算法和人工控制混合的系统相比具有更好的效果。

Mar, 2022

使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

Feb, 2018

本文研究了循环神经网络在数据驱动下的噪声动力学系统模拟行为，训练了一组 LSTM 网络，发现在训练噪声变大时，LSTM 更多地依赖其自主动力学而不是噪声输入数据。

Apr, 2019

通过研究模型在训练过程中的随机性，我们发现在自然语言理解任务中，模型的预测结果的不稳定性会对一部分查询产生影响，提出了一种衡量稳定性现象的方法 —— 标签熵，我们研究了数据不可知的正则化方法和新的数据中心方法，发现它已在计算成本的分数中取得了 90% 的性能优势以及金标准的表现。

May, 2023

使用不同的递归神经网络 (RNN) 架构，基于激光诱导加热光谱 (LIBS) 技术对铝合金进行定量分析，并将其与支持向量回归器 (SVR)、多层感知器 (MLP)、决策树 (DT)、梯度增强回归 (GBR)、随机森林回归 (RFR)、线性回归和最近邻 (KNN) 算法进行比较。结果表明，基于卷积递归网络的机器学习工具在大部分元素预测方面的效果最好。

Apr, 2023

本篇论文提出一种名为 NEC + 的概率增强神经网络模型，该模型可以同时学习极端和正常预测函数，并通过选择性反向传播的方式在它们之间进行选择，从而解决时间序列预测中的极端事件和数据不平衡的问题，并在加利福尼亚的 9 个水库的困难的 3 天前每小时水位预测任务中展现出优异的表现和概括能力。

Nov, 2022