一种基于统计学的隐性动态建模方法与微分方程
该论文提出了一种名为 IMODE 的新型神经 ODE 方法,该方法可以有效地处理具有干预效应的实际系统动态,并通过合成和真实时间序列数据集的实验结果展示 IMODE 相对于现有方法的优越性。
Oct, 2020
该研究提出一种潜在的混合模型 (LHM),该模型将专家设计的常微分方程系统与机器学习的神经微分方程系统相结合,以完全描述系统动态并将专家和隐变量与可观元量链接起来,特别是在样本较少的情况下表现优异,其应用场景为药物治疗疾病的进展预测。
Jun, 2021
本研究提出了 PolyODE,一种基于正交多项式投影的神经常微分方程模型,用于学习动态系统,以实现长期记忆和整体表示,优于先前的模型在数据重建和下游预测任务中的性能。
Mar, 2023
本文提出了一种概率模型 ME-NODE,用于分析涉及多个时间点的长期测量面板数据中的固定和随机混合效应,该模型可以使用平滑 SDE 的近似推导出并演示了其在阿尔茨海默病研究中对插值重建的准确性,不确定性估计和个性化预测的性能。
Feb, 2022
通过引入基于常微分方程的解决方案,我们提供了一个全新的处理方式,用于推断无偏的治疗效果,并将其构建为一个框架,可以将任何常微分方程发现方法转化为治疗效果的方法。
Mar, 2024
采用混合神经 ODE 结构结合符号回归来学习部分观测动力系统的控制方程,通过两个案例研究验证该方法成功地学习了这些系统中未观测状态的真实控制方程,并对测量噪声具有鲁棒性。
Apr, 2024
通过在时间序列中仅从观察值学习简单曲线,我们提出了一种名为功能潜在动力学(FLD)的模型族,代替复杂的 ODE 模型,以捕捉不规则时间序列的连续动态,并在减少运行时间和内存开销的同时达到更好的性能。
May, 2024
本文提出了一种名为 ODE-RNNs 的模型,可以对非匀齐时间间隔的时间序列进行建模,并通过实验表明,这种基于 ODE 的模型在处理不规则抽样数据时比基于 RNN 的模型表现更优。
Jul, 2019
本研究使用贝叶斯深度学习技术将轻量级机器学习方法应用于神经常微分方程以获得结构化和有意义的不确定性量化,研究了机械知识和不确定性量化在两种神经常微分方程框架下的相互作用 - 辛神经常微分方程和神经常微分方程物理模型的补充,证明了方法在低维 ODE 问题和高维偏微分方程上的有效性。
May, 2023