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

本文介绍了一种基于路径增强和数据驱动控制的方法，可以高效地确定低采样率下系统的确定性力量，以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。

Apr, 2023

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

通过学习拓扑特征的隐藏动态模型，我们提出的神经持久动态模型在各种参数回归任务中实质性地优于当前最先进的模型。

May, 2024

基于运算器学习的最近进展，本文提出了一种连续时空数据驱动建模框架，并通过三个数值实例研究了该框架的性能，结果证实了该建模框架的分辨率不变性，并展示了仅使用短期时间序列数据进行稳定长期模拟的能力，此外，也表明了通过混合优化方案，结合短期和长期数据，提出的模型能更好地预测长期统计数据。

Nov, 2023

我们提出了一个基于数据驱动的、物理上可行的深度学习框架，用于分类动力学区域和表征分支边界，基于提取拓扑不变特征。我们还演示了该方法在分析真实数据中的使用，通过基于单细胞数据，在基因表达空间中恢复胰岛内分泌发育轨迹上的不同增殖和分化动态。我们的方法为各种动力学系统的定性长期行为提供了有价值的洞察，并能检测大规模物理和生物系统中的分叉或灾变转变。

Dec, 2023

在一个随机性质的遗传动力学系统下，我们研究分布的演化。通过利用 Koopman 和转移算子理论，可以将任意初始状态的分布向前演化到未来，我们研究了这些算子估计的长期预测表现。在观察到标准的估计方法在这方面可能会失败后，我们提出了一种学习范式，将运算符理论的特征值紧缩和统计学的特征中心化技术巧妙地结合起来。这个范式适用于基于经验风险最小化的任何算子估计方法，使它们在未来分布轨迹的整个过程中都满足学习界，并且每个预测分布都遵守质量守恒原理。数值实验展示了我们方法的优势。

Dec, 2023

本文提出了一种用于任意分布的点的时空预测的新方法，该模型可以利用偏微分方程来推导数据动态的连续时间模型，通过有限元方法，在空间域的网格化中估计未知动态对每个单元格的瞬时影响，我们的模型可以通过假设方程的形式来将先前知识纳入其中，并从对流方程导出一个运输变体，该模型对比基准模型，表现了更好的海面温度和气体流量预测的转移性能。此外，我们的模型具有独特的可解释性。

Mar, 2022

本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

Feb, 2019

提出了一种基于生成模型的动力学系统简化方法，该方法能够实现高维、多尺度动态系统的降维，并在粒子动力学多尺度物理系统中进行有效预测。

Jan, 2021