提出了几何信息神经网络（GINN）的概念，该网络涵盖了在几何约束下的学习、神经场作为合适的表示以及在几何任务中遇到的欠定系统的多样化解决方案生成。 GINN 公式不需要训练数据，并且可以被认为是完全由约束驱动的生成建模。 将显式多样性损失添加到减轻模式崩溃。 考虑到几何成分的连通性等多种约束，并通过莫尔斯理论将其转化为可微的损失。 通过实验证明了 GINN 学习范式在二维和三维场景中的有效性，场景复杂性逐渐增加。

Feb, 2024

我们介绍了 EINNs，这是一个基于机械模型提供的理论基础和人工智能模型提供的数据驱动的表达能力，以及摄入异构信息的能力，用于流行病预测的框架。通过物理 - 信息神经网络的工作来学习潜在的流行病动态并将相关知识转移给另一个神经网络，这个网络摄入多个数据源，并具有更适当的归纳偏差。我们的全面实验表明，与其他非平凡的选择相比，在 COVID-19 和流感预测的所有美国州和 HHS 地区都展示了我们方法的明显优势。

Feb, 2022

本文提出了名为 SINN 的机器学习框架，可以从数据中学习随机动力学，并演示了其在粗粒化问题和过渡动力学建模方面的应用及其在罕见事件模拟方面的适用性。

Feb, 2022

通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023

给定一些稀疏和 / 或嘈杂的数据，本文提出了一种纠正 PINNs 中模型错误的通用方法，使用其他深度神经网络 (DNNs) 建模模型偏差和观测数据之间的差异，从而扩展了 PINNs 在未知物理过程的复杂系统中发现规律方程的应用。

Oct, 2023

本研究提出了一种使用图神经网络（GNN）和强化学习（RL）监控的新方法来预测时间序列数据。该方法将数据的图结构与模型明确地结合起来，能更自然地捕捉时间依赖关系，对于医疗、交通和天气预测等复杂时间结构中的精准预测具有优势，同时通过贝叶斯优化技术对图神经网络模型进行了进一步优化，提出的框架在时间序列预测和监控方面优于基准模型，证明了 GraphRL 在动态强化学习环境中提供准确和高效预测的潜力。

Sep, 2023

本文介绍了一种基于时间的递归神经网络扩展模型，使其适用于不均匀采样的连续变量观测数据，并展示了该模型在两种工业输入 / 输出过程的样本中的有效性。

Nov, 2019

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020

本研究提出了一种新的空间 - 时间神经网络体系结构，称为 Spatial-Temporal Graph-Informer (STGIN)，通过融合信息召唤器 (Informer) 和图形注意力网络 (GAT) 层进行空间和时间关系提取，以处理长期交通参数预测问题。通过对两个真实交通数据集的实验结果进行验证，表明这种模型具有长序列预测能力。

Oct, 2022

TimeGNN 是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快 4 到 80 倍的推理时间。

Jul, 2023