多保真度模型集成多个数据源以产生底层过程的单个逼近器，并通过稠密低保真样本来降低插值误差，通过稀疏高保真样本来补偿低保真样本中的偏差或噪音。本文将深度高斯过程扩展到包含梯度数据，并在实际的偏微分方程问题中进行应用，其中预测高超声速飞行器在一系列飞行条件和几何形状下的空气动力系数。在两个例子中，增强梯度的深度高斯过程模型胜过增强梯度的线性高斯过程模型和非增强梯度的对照模型。

Feb, 2024

通过比较多种多保真度方法构建高斯过程代理进行回归，我们发现多保真度方法通常具有较小的预测误差，且对于相同计算成本而言，其效果因不同场景而异。

Apr, 2024

本文我们提出了 SigGPDE，它是一个新的可扩展的稀疏变分推理框架，用于处理序列数据上的高斯过程。我们的贡献有两个方面：首先，我们构造了诱导变量来支撑稀疏近似，使得得到的证据下限 ELBO 不需要任何矩阵求逆；其次，我们展示了 GP 签名核的梯度是一个双曲型偏微分方程（PDE）的解，这一理论洞见使我们能够构建一个有效的反向传播算法来优化 ELBO。通过展示 SigGPDE 相对于现有方法的显着计算收益，同时在多达 1 百万个多元时间序列的大型数据集上实现最先进的分类任务性能。

May, 2021

本文提出了一种新的框架，将神经网络、遗传算法和自适应方法相结合，应用于从稀疏噪声数据，不完整的备选库和空间或时间变化系数中发现偏微分方程。该方法在 Burgers 方程，对流扩散方程，波动方程和 KdV 方程上进行了测试，结果表明该方法对噪声数据具有鲁棒性，能够发现具有不完整备选库的参数 PDE。

May, 2020

介绍了数值高斯过程的概念，它是通过对时间依赖偏微分方程进行时间离散化来定义的高斯过程。当前的方法可以处理的情况包括只能观测到初始条件的噪声数据和我们感兴趣的是在解决时间依赖偏微分方程时与这些噪声数据相关的不确定性的量化。这种方法通过适当放置高斯过程先验来避免空间离散化差分算子的需要。经过多个基准测试问题的验证，该方法的有效性得到了证明，包括涉及线性和非线性时间依赖算子的情况，即使在长时间积分的情况下我们也能恰当地求解潜在解，并保持不确定性传播的一致性。

Mar, 2017

这篇论文探讨了差分方程发现的差异化方法在数据驱动中的关键作用，对于可靠的算法操作而言，输入数据的准确导数是至关重要的，尤其是在不可避免地存在测量质量下降的真实场景中。我们提出了一些替代常用的有限差分方法的方法，这些方法因其在噪声存在下的不稳定性而臭名昭著，噪声可能会加剧数据中的随机误差。我们的分析涵盖了四种不同的方法：Savitzky-Golay 滤波、谱微分、基于人工神经网络的平滑和导数变差的正则化。我们评估了这些方法在类似真实问题上的适用性以及它们保证方程发现算法收敛的能力，为真实世界过程的健壮建模提供了有价值的见解。

Nov, 2023

提出了一种基于稀疏回归的方法，能够通过空间域中的时间序列测量发现给定系统的主要偏微分方程，该方法通过稀疏促进技术来选择最准确地表示数据的非线性和偏导数术语，同时考虑模型复杂性和回归精度的平衡，通过帕累托分析选择简洁的模型，并在多种数学物理问题中进行了演示。

Sep, 2016

本文介绍了一种基于数据驱动的方法，用于发现参数化偏微分方程，扩展了先前方法中对偏微分方程的鉴定，证明了群组顺序阈值岭回归在识别偏微分方程及其参数依赖性方面的性能优于群 LASSO。

Jun, 2018

本文利用概率机器学习的最新进展，发现由参数线性方程表达的守恒定律，通过高斯过程先验根据此类算子的特定形式进行修改并用于从稀疏和可能嘈杂的观测中推断出线性方程的参数，这些观测可以来自实验或 “黑盒” 计算机模拟。

Jan, 2017

基于随机微分方程的扩散生成多保真度（DGMF）学习方法通过连续去噪过程生成解决方案输出，同时利用条件分数模型控制解决方案的生成，可有效学习和预测多维解决方案数组，将离散和连续保真度建模统一，展示了多保真度学习的有希望的新方向。

Nov, 2023