我们开发了一种新的时空方法，通过集成从摊销变分推断、神经微分方程、神经点过程和隐式神经表示等技术，有效处理随机采样的数据，并对未来观测的概率位置和时间进行预测，从而在预测准确性和计算效率上显著超越现有方法，成为研究和理解在真实无约束条件下观察到的复杂动力系统的有用工具。

Jun, 2024

在这篇论文中，我们提出了一个基于函数空间变分推断的可扩展函数空间变分推断方法，该方法明确地将贝叶斯推断应用于神经网络，并允许结合先验信息以产生可靠的预测不确定性评估。我们展示了该方法在一系列预测任务上的最新不确定性估计和预测性能，并证明其在安全关键的医学诊断任务中表现出色。

Dec, 2023

本文提出了一种变分神经时间点过程（VNTPP），通过引入推理和生成网络，训练深度神经网络中的潜变量分布以应对时间点过程的随机特性，并利用潜变量分布计算强度函数，从而更准确地预测事件类型和到达时间，实验证明该模型可以广义地表示各种事件类型，并在合成和实际数据集上表现优异。

Feb, 2022

连续学习方法通过顺序贝叶斯推断模型对神经网络进行优化，使得神经网络对新任务的适应性更好、拥有更灵活的变分分布和更有效的正则化，从而实现更好的预测准确性。

Dec, 2023

介绍了一种基于深度生成模型的学习方法，能对非线性系统的动态进行变化预测，针对碰撞、感官噪声和动作延迟进行了建模，并用于基于模型的策略优化。

Mar, 2017

本研究提出了一种基于时空卷积神经网络模型，用于从视觉信息中进行轨迹预测。应用于自回归方式，提供给定初始轨迹部分的连续显式概率分布。我们使用 MNISTseq 和 Stanford Drones 两个标准数据集进行实验，并与现有方法作了比较，结果表明取得了与或优于先前方法的成果。

Dec, 2018

本文介绍了一种使用 DPP 技术优化轨迹样本集合并实现预测多样性的方法，通过生成多种可能性来确保安全，特别是在自动驾驶等关键领域。

Jul, 2019

本论文提出了一种名为 BOsampler 的新方法，通过贝叶斯优化的方法，在长尾效应区域探索潜在路径的过程中，提高了随机预测的采样效率，该方法不需要重新训练，可与现有的随机预测模型集成，实验结果表明该方法的有效性。

Apr, 2023

使用基于贝叶斯推断的模型方法来估计序列系统的失效轨迹，使用自动微分计算轨迹梯度并使用 Hamiltonian Monte Carlo 采样方法进行多模式捕捉和平滑处理，该方法在自主驾驶车辆、倒置摆控制系统和部分可观察月球着陆器实现，结果显示在样本效率和参数空间覆盖率方面比黑盒子基线方法有所改进，此方法已开放源代码。

May, 2023

提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。

Dec, 2023