研究了将端到端神经引导和控制结构应用于探索太阳系的航天器和无人机，通过这种方式，传感器信息在实时转换为最佳计划，以提高任务自主性和鲁棒性，实现了优化原则的成功学习，并建议在无人机竞速上进行实际测试，以增加对其在未来空间探索任务中的利用的信心。

May, 2023

本文提出了基于神经常微分方程（Neural ODEs）的神经控制策略，将控制策略优化问题转化为一个 Neural ODE 问题，有效地利用动态系统模型，展示了这种确定性神经控制策略在两个受控系统中的功效：控制的 Van der Pol 系统和一个生物反应器控制问题。该方法为非线性控制问题的无法处理的闭环解提供了一种实用的逼近方法。

Oct, 2022

提出了一种名为 GAINS 的分析框架，它结合了三个关键思想，基于变量但离散时间步的 ODE 解算器、求解器轨迹的高效图形表示和一种基于该图形表示的新颖抽象算法，可以有效分析高维 NODEs 和提供保证，并将运行时从指数级降至线性对数阶，通过在计算机视觉和时间序列预测问题上的大量评估，证明了该方法的有效性。

Mar, 2023

采用混合神经 ODE 结构结合符号回归来学习部分观测动力系统的控制方程，通过两个案例研究验证该方法成功地学习了这些系统中未观测状态的真实控制方程，并对测量噪声具有鲁棒性。

Apr, 2024

本研究介绍了一种使用门控相互作用赋予自适应时间尺度的神经普通微分方程（gnODEs），并以需要记忆连续量的任务为例，证明了 gnODEs 学习（近似）连续吸引子方面的归纳偏差。此外，作者还引入了一种新的表现力量度，探究了 nODEs 的相空间维度和流场建模复杂性对表现力的影响。最后，作者在几个实际应用任务上展示了 nODEs 中门控的好处。

Jul, 2023

通过学习多智能体系统动力学，我们提出了 GG-ODE（广义图形常微分方程）机器学习框架，使用神经常微分方程（ODE）通过图神经网络（GNN）捕捉智能体之间的连续交互，并假设不同环境下的动力学都受到相同物理定律的支配。通过实验证明，我们的模型可以准确预测系统动力学，尤其在长期范围内，并能够很好地推广到观测数据稀缺的新系统。

Jul, 2023

本文提出神经控制微分方程 (Neural CDE) 用于解释不规则时间序列的函数，同时研究了在连续监测过程中，如何解决实时在线预测的问题，本文提出的插值方案具有测量性和平滑性，并在 MIMIC-IV 医疗数据库上进行了实证测试，对于三个连续监测任务的准确性均有提升。

Jun, 2021

研究动态图的表示学习，提出了 Graph Neural Controlled Differential Equation (GN-CDE) 模型，通过深度神经网络参量化向量场和交互导数，对节点嵌入轨迹的动态演化进行建模，实现了在动态演化的图上表达动态的能力。

Feb, 2023

本研究将学习规则和神经 ODE 相结合，构建了连续时间序列处理网络，学习如何在其他网络的快速变化的突触连接中操作短期记忆，这产生了快速权重程序员和线性变压器的连续时间对应物。该模型在各种时间序列分类任务中优于现有的神经控制微分方程模型，同时也解决了它们的根本可扩展性限制。

Jun, 2022

本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

May, 2023