本研究提出了一种基于 Deep Kernel Learning 的框架，用于对具有复杂规范的随机动态系统进行控制合成，采用时态逻辑规范，并使用 Deep Kernel Learning 从数据中学习未知系统，并将其正式抽象为 Interval Markov Decision Process 进行带有正确性保证的控制合成。通过对包括一种 5 维非线性随机系统在内的各种基准测试的验证，证明了该方法的有效性，并展示了与最先进的竞争方法相比，使用 Deep Kernel Learning 进行控制合成的显著优势。

Sep, 2023

通过使用高斯过程 (Gaussian process) 对潜空间的 ODE 插值，我们提出了一种新颖的估计固有非侵入式自由度的模型来数值求解带有不确定性的偏微分方程 (partial differential equations)。这个方法在 Burgers 方程、等离子体物理学的 Vlasov 方程以及上升热泡问题上取得了 200 到 100,000 倍的速度提升，相对误差最高为 7%。

Aug, 2023

本文介绍了一种非线性概率变分方法 - 变分高斯过程动态系统来处理高维时间序列数据中的非线性降维问题，同时在潜空间中学习动态先验，并允许自动确定潜在空间的维数，该方法在人体运动捕捉数据集和一系列高分辨率视频序列上进行了演示。

Jul, 2011

建立适当的数学模型来研究自然现象中的复杂系统不仅有助于加深对自然的理解，还可以用于状态估计和预测。然而，自然现象的极端复杂性使得发展全阶模型并将其应用于研究多个感兴趣的量非常具有挑战性。相反，适当的降阶模型由于其高计算效率和描述自然现象的关键动态和统计特性的能力而备受青睐。以粘性 Burgers 方程为例，本文构建了一个卷积自编码器 - 蓄积计算 - 归一化流算法框架，其中卷积自编码器用于构建潜空间表示，蓄积计算 - 归一化流框架用于描述潜状态变量的演化。通过这种方式，构建了一个数据驱动的随机参数降阶模型来描述复杂系统及其动态行为。

Mar, 2024

介绍一种新的基于最小残差的方法，通过在时间连续和时间离散水平上使用非线性流形将动力系统投影到上，即流形 Galerkin 投影和流形 Petrov-Galerkin 投影，并提出了一个计算非线性流形的可行方法，该方法基于深度学习中的卷积自编码器。最后，演示了这种方法在反向控制问题上的比优对比结果。

Dec, 2018

本文介绍了一种新方法，使用顺序变分自编码器（SVAE）和神经常微分方程（NODE）来学习神经动力学的低维逼近。该方法产生的光滑动态可以准确地预测认知过程，并显示出对任务相关的脑区的改善空间定位并识别出著名的结构，如 fMRI 运动任务记录中的运动全身像。

May, 2023

本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

Aug, 2018

本论文提出一种半监督深度内核学习方法（SSDKL），该方法结合了神经网络的分层表示学习和高斯过程的概率建模能力，并利用未标记数据来提高真实世界回归任务的预测准确性。

May, 2018

通过机器学习技术，我们提出了一种名为潜空间动力学识别（LaSDI）的框架，用于减少高保真数据的计算量，同时在热力学、噪声增强和高保真训练数据选择方面进行优化，以及量化预测不确定性。在 Burgers 方程、非线性传热问题和等离子体物理问题上，我们展示了不同 LaSDI 方法的性能，表明 LaSDI 算法可以实现相对误差小于几个百分点和数千倍的加速。

Mar, 2024

通过引入 Jerk 正则化到压缩的潜在空间的学习中，本文介绍了一个连续操作学习框架，该框架为快速准确的时空预测提供了增强的精度和收敛速度，并有助于识别内在的潜在空间坐标。

Feb, 2024