本文提出了一种基于条件神经过程的多任务分类方法，该方法可以在初步的多任务训练阶段后自适应地适应测试时遇到的新任务，并与元学习和少样本学习文献建立联系。实验结果表明，该方法在具有挑战性的 Meta-Dataset 基准测试中取得了最先进的效果，表明了高质量的迁移学习能力；而且该方法具有很好的稳健性，避免了低数据情况下的过拟合和高数据情况下的欠拟合，是一个计算效率高的测试时间方法，并且可以暂时不用迁移学习也可以在连续学习和主动学习方面取得超越现有方法的效果。

Jun, 2019

该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

Sep, 2023

本研究提出了一种基于强化学习的模型参数推断框架，该框架以物理模型响应跟踪为目标，利用一种约束 Lyapunov 基础的 actor-critic (CLAC) 算法，考虑了大规模和高维数据以及嘈杂的真实世界条件下的鲁棒性，实现了在两个基于物理模型的诊断测试案例中的优秀表现。

Jun, 2020

该教程主要关注以机器学习为基础的预测性监测，介绍了一种有效的方法来检测系统在当前状态下对给定要求的潜在违规情况，并提出使用深度学习和符合预测方法来解决计算效率和可靠性的挑战。

Dec, 2023

我们提出了一个适应在线分类问题的新颖、统一和基于理论的自适应框架，该框架旨在通过建立强大的数学基础来处理序列数据的分类，并在早期阶段返回结果，同时不影响准确性。

Jun, 2024

本研究提出了基于人工神经网络的框架，能够有效利用大量传感器信号信息来准确预测汽车零部件的健康状态，并引入数据增强方法以消除噪声的影响。该框架已在 Robert Bosch GmbH 的实际应用中得到验证。

Apr, 2018

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

研究了使用贝叶斯神经网络中的可学习不确定性来训练预测过程监控模型，以预测剩余时间和结果，并得出结论认为这种不确定性估计可以区分更精确和不太精确的预测，从而提高了用户对于这种预测系统的信心，在合作和以较小的数据集进行更早的实施方面具有潜在的可应用性。

Jun, 2022

预测性过程监控 (PPM) 旨在利用历史过程执行数据预测正在进行的执行将如何持续到完成。本文介绍了一种基于符号化过程模型的背景知识的 Symbolic [Neuro] 系统，以解决训练数据下采样的问题，并使用关注机制的神经网络进行预测，该系统在多个实际日志上进行了测试，显示了预测任务性能的提升。

Dec, 2023

本文提出了一种新的方法，利用来自各种信息源的新实时信号（例如基于社交媒体的人口密度地图和空气质量数据）来预测流行病学参数，使用多个卷积神经网络（CNN）模型的集合，并使用各种数据源和融合方法来构建稳健的预测，在伦敦的 COVID-19 爆发预测中，气象信号和基于社交媒体的人口密度地图的组合提高了性能和灵活性，并通过数据同化估计了我们系统的状态，从而提高了我们的模型的稳定性和准确性。

Jul, 2023