Mar, 2024

混合潜在动力学的无监督学习：以学习-识别框架为基础

HTML
PDF
TL;DR从数据库中无监督地学习高维时间序列的潜在动力学是一个挑战，该论文从物理归纳偏差和学习-识别策略的角度研究了这个问题，并提出一种新颖框架 Meta-HyLaD，用于无监督元学习混合潜在动力学，既包括已知的数学表达式又包括描述未知误差的神经函数，并通过对五个物理系统和一个生物医学系统的广泛实验证据来说明 Meta-HyLaD 整合丰富的先前知识优势并识别其与观测数据之间的差距。
发现论文，激发创造
  • 使用特权信息进行动态元学习

    该研究论文介绍了利用神经ODE过程的元学习方法，使用潜变量模型进行灵活的上下文信息聚合，并扩展该模型以使用更多的优先信息，在模拟动态任务中验证了改进的准确性和校准性。

    Apr, 2021

  • 神经ODE中的预测之外: 鉴别和干预

    采用简单的正则化方案和柔性神经ODE，我们可以从时间序列数据中强大地恢复动态和因果结构，并对变量或系统自身进行准确的预测。

    Jun, 2021

  • 哪些先验知识是重要的？学习潜在动态的模型基准测试

    本文研究如何通过强化机器学习模型的物理先验知识来解决物理图像理解问题，提出了一种包含 17 个物理系统的数据集，对当前物理启发式机器学习方法进行了细致的对比分析，结果表明尽管这些方法通常可以学习到具有良好性质的隐藏空间，但没有显著提升标准技术的性能。

    Nov, 2021

  • 从轨迹中元学习可推广的动力学

    本论文提出了解释性元神经微分方程 (iMODE) 方法，用于快速学习多个动力系统的通用动力学，学习到这些系统的力场功能变化，可以将先验物理知识方便地嵌入神经网络结构，对 unseen system 进行建模并反推系统的物理参数，或作为神经规的一部分来“测量”看不见系统的物理参数。

    Jan, 2023

  • 隐空间动态网络 (LDNets): 学习时空过程内在的动力学

    对于展现时空动态响应的系统的演化进行预测是促进科学创新的关键技术，传统基于方程的方法需要大规模并行计算平台和大量的计算成本。相比之下，我们提出了一种名为Latent Dynamics Network的新型架构，该架构使用降维和深度学习算法来描述系统演化的低维潜在空间，从而预测空间依赖场对外部输入的时间演化，并在几个测试案例上验证了该方法的高效性和精确性。

    Apr, 2023

  • 通过不变分解和(时空)转换器学习潜在动态

    提出了一种方法，通过在一种框架内结合变分自动编码器和(时空)注意力机制，从高维经验数据中学习动力系统，以实现确定一定科学动力学不变的设计，这种方法允许在任何连续时刻有效推断系统行为，是从异构数据中高效学习动态模型的一种有前途的新框架。

    Jun, 2023

  • 利用模拟器提供的潜在状态学习混合动力学模型

    通过黑盒模拟器控制预测，修正模型匹配错误的混合建模新方法。

    Sep, 2023

  • 非线性动力系统中的潜在状态转变识别

    本文旨在通过恢复底层的低维潜在状态及其时间演化来改进动力系统的泛化能力和解释能力。我们提出了一种基于变分自编码器的实用算法，并在逼真的合成环境中进行了实证研究，证明我们能够高准确性地恢复潜在状态动力学，相应地实现高未来预测准确性，并且能够快速适应新环境。

    Jun, 2024

  • 关于学习何时学习：动态的异构观察和它们之间的建立（可能是因果）关系

    通过多个同步异构数据流处理，确定共同观测变量和各自观测变量，从而建立动力学模型并利用数据驱动的函数逼近技术来学习输入输出关系。

    Jun, 2024

  • 结合物理知识进行预测的机器学习：一项综述

    本综述解决了机器学习与物理知识结合以提高预测模型的问题，特别关注偏微分方程的方法。通过在结构、目标函数和数据增强方面引入物理知识，以及将数据视为物理知识，研究提出了多任务、元学习等数据驱动的新方法，展示了这些方法在科学研究和工业实践中的潜在影响。

    Aug, 2024