嵌套的继承动力学
本文提出了一种名为 LDIDPs 的新型隐式扩散过程潜在动态变量模型,它利用隐式扩散过程对潜在动态过程进行采样,并相应地产生连续观测样本,LDIDPs 成功地在合成和仿真神经解码问题上得到了测试,并展示了其能够在潜在尺寸上准确地学习动态,同时其隐式采样方法允许高效地从潜在和观测空间生成高质量的连续数据样本。
Jun, 2023
本文提出了一种新的嵌套层次狄利克雷过程(nHDP)用于层次主题建模,并且演示了如何使用随机变分推断算法以及贪心子树选择方法来有效地处理来自《纽约时报》和维基百科等海量文本文档。
Oct, 2012
本论文提出了 Taak-duality,一种将生态和基因型 / 表型类型都考虑在内的术语,并利用这种等价关系研究了高度一般化类型的生态进化轨迹,分析了有向进化的效率潜在限制。
May, 2023
提出了一种新的随机过程 —— 神经 ODE 过程(Neural ODE Processes),用于捕捉低维度和高维度的时间序列系统动力学,并且相较于现有的神经过程模型,该模型具有适应实时应用的能力和更好的不确定性估计。
Mar, 2021
本文介绍了基于 Integro-Differential Equations(IDEs)理论的一种新型深度学习框架:Neural IDE(NIDE),采用神经网络学习积分算子,可对复杂的非局部动态系统进行建模,并应用于多个玩具和大脑活动数据集,验证了其优于其他模型的性能,并可将动态系统分解为马尔可夫和非马尔可夫构成部分。
Jun, 2022
利用局部线性模型和层次聚类的方法,对复杂系统进行分析,将数据划分为多个窗口进行简单的指数衰减和振荡分析,通过收集每个窗口的参数,提取出时间序列的特征,从而可以应用于分析 $C. elegans$ 神经元运动和全脑成像等研究。
Jul, 2018
通过稀疏观测数据,我们引入了一种新的随机过程,称为神经常微分方程过程,用于学习连续网络动态,在各种领域中的网络动态具有优秀的数据适应性和计算效率,并可以适应新的网络动态,仅需要约 6% 的观测数据比例,并且显著提高了对新动态的学习速度。
Oct, 2023
本文研究了图结构下的演化模型,并探讨了等温理论在出生 - 死亡(BD)序列和死亡 - 出生(DB)序列下的适用性,发现对于出生率不同于野生型的不同底物只适用于 BD 序列,对具有任意底物的 BD 和 DB 序列的固定概率的修订,并在空间点阵上进行了详细研究,发现即使对于大种群大小,BD 和 DB 过程在 1D 和 2D 点阵上的区别仍然不小,并进一步探讨了几个生物学应用的案例。
Nov, 2014
本文介绍一种神经网络成长的过程,通过一种类似于生物发育的过程,使用神经发育程序 (NDP) 作为一种引导机制,进而自我组织神经网络。作者还探讨了这种方法在不同优化方法(进化训练,在线 RL,离线 RL 和监督学习)和不同机器学习基准上的实验表现,并强调了自组织驱动神经网络成长所带来的未来研究方向和机会。
Jul, 2023
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