提出了一种基于得分的图生成模型，采用连续时间框架下的新图扩散过程，通过随机微分方程系统对节点和边缘进行联合分布建模，并提出了适用于该过程的新颖得分匹配目标，通过求解反向扩散过程的方程系统高效采样。通过对多个数据集的验证，该方法在生成具有挑战性的现实世界图形时获得了优异的性能，并能够生成符合 训练分布的分子，表明其对于节点 - 边缘关系的建模具有有效性。

Feb, 2022

基于物理建模的形态发展，结合机器学习框架，分析并预测结构稳定性下的时空复杂性，为疾病诊断和不稳定性容忍性设计提供指导。

Aug, 2023

本文基于图高斯模型，提出了一个 CSSL 框架和一个简单的学习算法，旨在通过对多个数据集之间常见的交互和依赖关系的识别，找到其不变特征，并在合成数据的数值模拟和汽车传感器异常检测的真实应用中确认其在查找多个数据集中不变依赖结构方面相比现有技术的表现。

Mar, 2012

该研究论文提出了一种新的联合图模型框架来填补现有的状态空间模型中静态图模型和基于因果关系的图模型之间的缺失。作者通过引入一个高效的块交替主要化极小化算法实现了该框架，并通过对合成和真实气象变化数据的实验验证了所提出模型和推断算法的有效性。

Jul, 2023

LEADS 是一种新的框架，通过在共享模型中捕捉共同动态和捕获环境特定动态的额外项，利用已知环境的共享性和差异性来提高模型的泛化能力。该方法在理论和实验上的结果表明，这种新的设置可以利用从依赖于环境的数据中提取的知识，并改善已知和新环境的泛化。

Jun, 2021

通过自适应技能分布来优化探索效率，并且提高对环境结构模式的利用，这能够显著改善目标导向强化学习中的探索效率，并在具有类似局部结构的未知任务中展现强大的泛化能力。

Apr, 2024

本研究提出了一种新的轨迹预测方法，该方法结合了基于规则、几何或优化的模型和基于深度学习的方法，使用了一个新的神经微分方程模型（Neural Social Physics），能够较好地模拟行人行为，并在六个数据集上将性能提高了 5.56% -70%。

Jul, 2022

我们研究了最小二乘问题的连续时间随机梯度下降（SGD）模型的动力学。我们通过分析随机微分方程 (SDE)，在训练损失（有限样本）或总体损失（在线设置）的情况下建模 SGD 来追求 Li 等人 (2019) 的研究成果。该动力学的一个关键特征是无论样本大小如何，都存在与数据完美插值器。在这两种情况下，我们提供了收敛到（可能退化的）稳态分布的精确非渐近速率。此外，我们描述了渐近分布，给出了其均值、与之偏差的估计，并证明了与步长大小有关的重尾现象的出现。我们还呈现了支持我们发现的数值模拟结果。

Jul, 2024

本研究针对含有非线性或不可线性化的、具有一个双曲线性部分并受有多个有限频率的外力系统的数据集，提出了一种构建低维预测模型的方法。我们将通过在系统的低维、吸引光谱子流形上的扩展正常形式上获得的数据驱动、稀疏、非线性模型。我们在梁振动、涡 shedding 和 水箱晃荡等数据集上展示了数据驱动的光谱子流形降维的强大力量，并发现在预测非强制外部力下的非线性响应方面，也能准确预测受外力影响的情况。

Jan, 2022

研究发现，神经网络的学习轨迹可以捕捉儿童认知发展的轨迹，从而支持将认知发展解释为某种随机优化过程的观点。

Sep, 2022