本文提出了一种新的框架，该框架结合了随机微积分，变分 Bayes 理论和稀疏学习等概念，提出了扩展的 Kramers-Moyal 展开来发现随机偏微分方程 (SPEDs) ，并且用 Spike-and-Slab 先验概率和稀疏学习技术来有效准确地发现潜在的 SPDEs，并且利用三个经典的 SPDEs（随机热方程，随机 Allen-Cahn 方程和随机 Nagumo 方程）进行了实证应用，结果表明，本文提出的方法可以用有限的数据准确地识别出潜在的 SPDEs。

Jun, 2023

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

神经偏微分方程（Neural PDEs）被证明能够有效重构流系统并预测相关的未知参数。然而，基于贝叶斯方法的神经偏微分方程显示出更高的预测确定性，相较于使用 Deep Ensembles 方法得到的结果，可能低估了真实潜在的不确定性。

Nov, 2023

我们介绍了一种新颖的网格无关模型，用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。我们提出了一种空时连续潜在神经偏微分方程模型，具有高效的概率框架和新颖的编码器设计，以提高数据效率和网格独立性。潜在状态动态由一个将格点法和线法结合的偏微分方程模型来控制。我们采用分摊变分推断进行近似后验估计，并利用多射击技术来提高训练速度和稳定性。我们的模型在复杂的合成和真实世界数据集上展示了最先进的性能，克服了以前方法的局限，有效处理部分观测数据。该模型优于最近的方法，显示了推进数据驱动的偏微分方程建模的潜力，并能够对复杂的部分观测动态过程进行稳健、网格无关的建模。

Jul, 2023

研究在一个固定的同质化潜在空间中的矩阵李群诱导的随机微分方程类型中的变分贝叶斯推断问题，并以具有竞争力的或甚至是最先进的性能完成各种时间序列插值和分类基准测试。

Jun, 2023

通过使用高斯过程 (Gaussian process) 对潜空间的 ODE 插值，我们提出了一种新颖的估计固有非侵入式自由度的模型来数值求解带有不确定性的偏微分方程 (partial differential equations)。这个方法在 Burgers 方程、等离子体物理学的 Vlasov 方程以及上升热泡问题上取得了 200 到 100,000 倍的速度提升，相对误差最高为 7%。

Aug, 2023

研究中介绍了一种新型 PI-GANs 来解决基于有限数量的分散测量数据的前向、反向和混合随机问题，并将物理规律通过自动微分编码到 GANs 的架构中，采用 Wasserstein GANs 进行稳定训练。此外，研究还使用了深度神经网络来进行生成和鉴别，表明了该方法在解决高维随机微分方程问题上的准确性和有效性。

Nov, 2018

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

利用深度学习方法解决高维随机偏微分方程的问题。通过使用全连接深度残差网络来逼近随机偏微分方程，在确定逼近深度神经网络的参数时，采用了 SGD 的变种，并在扩散和热传导问题上得到了验证。

Jun, 2018