使用神经网络和偏微分方程提取动态数据中的模型，参数化模型来结合空时样本相关性，在 MNIST 和 Fashion MNIST 上与其他深度神经网络进行了比较，证明本方法能够降低参数成本。

Aug, 2019

本文讨论时间变化网络的动态过程，着重研究了随机漫步的行为特征，并提出了简单数学框架来描述真实数据集上观察到的行为，从而分析了时间积分技术引入的偏差对时间变化图上动态过程的正确描述的影响。

Nov, 2012

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

本文利用定时自动机来介绍一系列监督学习任务，建立在隐藏时间变量和复杂性直接可控的行为模型基础上，通过研究倒置的时间特征，证明基于动态系统理论的工具可以不仅提供模型学习方案的见解而且能够证明训练过程的动力学。

Jun, 2023

本文讨论了一种构建神经网络架构的系统方法，用于模拟一类动力系统，即线性时不变 (LTI) 系统。我们使用一种变种的连续时间神经网络，其中每个神经元的输出连续演化为一阶或二阶常微分方程的解。我们提出了一种无梯度算法，从给定的 LTI 系统中直接计算稀疏架构和网络参数，利用其特性。我们提出了一种横向隐藏层的新型神经网络架构范例，并解释了为什么使用传统的纵向隐藏层神经网络可能不是理想选择。我们还给出了该神经网络数值误差的上界，并展示了我们构建的网络在三个数值示例上的高精度。

Mar, 2024

我们介绍并详细说明了一种非典型的神经网络架构，称为时间弹性神经网络（teNN），用于多变量时间序列分类。与传统神经网络架构相比，该创新之处在于它明确地融合了时间弯曲的能力，以及一种新的注意力考虑方式。此外，该架构能够学习一种丢弃策略，从而优化其自身架构。通过实验证明，应用于 teNN 训练的随机梯度下降是非常有效的。在正确选择了一些关键的元参数的情况下，收敛通常是平稳且迅速的。通过首先减少所需的参考时间序列数量，即所需的 teNN 单元数量，我们在保持良好准确率的同时，获得了可观的可扩展性收益。其次，我们证明了 teNN 在训练过程中成功地减少了每个单元内所需的神经元数量。最后，我们展示了在训练后对激活和注意力矩阵以及参考时间序列的分析提供了解释和解释分类结果的相关信息。通过进行约 30 个多样化的多变量数据集的比较研究，我们发现 teNN 获得了与最先进技术相媲美的结果，特别是与混合 LSTM 和 CNN 架构的网络相似。

May, 2024

本文说明了在使用图神经网络时易忽视的一种在网络动力学建模方面的误解，指出利用嵌入在神经动力网络模型中往往会导致模型拟合观测数据的表现良好但动力行为不正确，因此提出了一个不使用嵌入的替代方法，通过实验证明了该模型可以可靠地从时间序列数据中恢复不同网络拓扑下的广泛动态。

May, 2023

本研究提出了一种新的时变网络嵌入方法 M2DNE，它能够精细地捕获网络结构和性质中的微观和宏观动态，大量实验证明 M2DNE 在传统任务和时间倾向相关任务中的表现均显著优于现有技术。

Sep, 2019

当前，脉冲神经网络因其对稀疏和二元脉冲信息的处理能力以及避免昂贵的乘法操作而引起了广泛研究兴趣。然而，如果使用 In-Memory Computing（IMC）架构，SNNs 的能量成本和延迟会随时间步数线性增长。因此，为了最大化 SNN 的效率，我们提出了一种基于动态时间步长的输入感知 SNN 算法，通过计算每个时间步长后输出的熵来动态确定时间步长的数量，从而实现将能量延迟产品降低 80%。

May, 2023

本文提出了一种基于神经 ODE 的 RNN 模型 (RNN-ODE-Adap)，用于建模和预测非平稳时间序列数据，该模型可适应性地选择时间步长，并在 Hawkes 型时间序列数据中表现出一致性估计预测能力和计算成本优势。

Jun, 2023