利用贝叶斯推断、变分自动编码器和具体松弛技术，学习从局部和高维观察中获取更全面和有意义的状态空间，从而提高在各种模拟任务中学习的动态准确性的能力。

May, 2019

本文介绍了一种用于无人监督学习序列数据的框架 ——Kalman 变分自编码器，该框架在描述视频中的动态变化时不使用构成其帧的像素空间，而是用一个描述其物体非线性动态的隐藏空间。该模型在各种模拟的物理系统视频中进行端到端训练，在生成和缺失数据输入任务方面优于竞争方法。

Oct, 2017

采用深度自动编码器和预测性转移模型相结合的方法，从像素信息中学习动态系统的良好预测模型。

Oct, 2014

提出了一种方法，通过在一种框架内结合变分自动编码器和 (时空) 注意力机制，从高维经验数据中学习动力系统，以实现确定一定科学动力学不变的设计，这种方法允许在任何连续时刻有效推断系统行为，是从异构数据中高效学习动态模型的一种有前途的新框架。

Jun, 2023

该论文研究通过因式分解先验分布的方法实现对观察变量和潜在变量的真实联合分布的识别，从而实现了对深度潜在变量模型的拆分，论文中提出了一种新的非线性独立成分分析框架，该框架同时适用于具有噪音、欠完备或离散观测的情况。

Jul, 2019

通过提出一种主动学习的方法，该方法不断进行轨迹规划，轨迹跟踪和重新估计系统，并展示了该方法以参数速率估计非线性动态系统，类似于标准线性回归的统计速率。

Jun, 2020

本文提出了一种依赖于稀疏测量数据的深度学习方法，可以对非线性系统动力学行为进行建模和状态估计，并在多个测试数据集上验证了其有效性。

Apr, 2022

我们学习到一种能够关联可达状态的表示方法，通过学习多步逆动力学获得一个潜在表示，并将其转换为在 l2 空间中关联可达状态，这种方法可以显著提高采样效率，并实现层次化规划。

Nov, 2023

本文介绍了一种用于非线性动力系统状态空间识别的编码器方法，它通过将数据集拆分为多个独立部分来近似模拟误差，并使用前馈神经网络估计每个部分的初始状态，从而实现较高效的优化并在知名基准测试中取得了最优结果。

Dec, 2020

在非平稳环境中，本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设，表明在温和条件下，可以从非线性混合中恢复独立的潜在成分，而无需观察辅助变量。我们还提出了 NCTRL，一种基于原则的估计框架，仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明，我们的方法可可靠地识别时间延迟的潜在因果影响，并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。

Oct, 2023