提出了一种名为 Neural Laplace 的框架,它使用 Laplace 域来建模系统的动态,并能学习各种微分方程类,包括延迟微分方程和积分微分方程,能够更稳健地建模粘性微分方程和具有分段强制函数的微分方程。在实验中,证明其在建模和外推各种微分方程的轨迹方面都能比较好的工作。
Jun, 2022
在处理真实世界的不规则时间序列数据中,由于不连续的采样间隔和缺失值,神经随机微分方程(Neural SDEs)的良好性能依赖于漂移和扩散函数的巧妙选择,本研究通过提出三个稳定的 Neural SDE 类别: Langevin 型 SDE、线性噪声 SDE 和几何 SDE,并通过广泛的实验验证了这些方法在分布转移和不同缺失率下的鲁棒性,展示了该方法在处理真实世界不规则时间序列数据中的有效性。
Feb, 2024
本研究介绍了一种新型连续神经网络框架 Neural SDE,该框架自然地融合了基于随机噪声注入的各种常用正则化机制,可用于输入干扰和非对抗性扰动的鲁棒建模,并可实现更好的泛化性能和对抗性强化训练。
Jun, 2019
本文提出了一种使用神经随机微分方程学习控制动力学模型的框架和算法,能够构建模型预测控制算法以及模型基的增强学习领域中的仿真器,在模拟机器人系统中得到良好的应用。
Jun, 2023
本研究使用贝叶斯深度学习技术将轻量级机器学习方法应用于神经常微分方程以获得结构化和有意义的不确定性量化,研究了机械知识和不确定性量化在两种神经常微分方程框架下的相互作用 - 辛神经常微分方程和神经常微分方程物理模型的补充,证明了方法在低维 ODE 问题和高维偏微分方程上的有效性。
May, 2023
本文介绍了一种将传统经典方法与神经随机微分方程(SDEs)相结合的方法,作为连续生成时间序列模型,无需预设统计或密度功能即可适应任意漂移和扩散,其输入噪声为布朗运动,输出样本是由数值求解器产生的,可用于机器学习中的时间序列建模。
Feb, 2021
通过开发一个基于神经常微分方程 (neural-ODE) 的谱方法来学习时空微分方程,不需要空间离散化,因此能够处理具有无边界空间域上的远程非局部空间相互作用的目标时空方程,与一些最新的机器学习方法在有界域上学习偏微分方程一样准确。通过开发学习偏微分方程和积分 - 微分方程的谱方法,我们将机器学习方法推广到了无边界的微分方程和更大的问题类别。
Sep, 2023
神经微分方程是深度学习和动力系统相结合的一个研究领域,可用于解决生成式问题、动力系统和时间序列。本文提供了这个领域的深入调查,并涵盖了神经微分方程的多种类型及其相关的数值方法和符号回归。
Feb, 2022
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
我们提出了一种新颖的模型,即图神经随机微分方程(Graph Neural SDEs)。此技术通过使用布朗运动将随机性嵌入数据表示,提升了图神经常微分方程(Graph Neural ODEs),允许评估预测的不确定性,尤其在置信度预测方面超过了常规模型如图卷积网络和图神经常微分方程,使其在处理静态和时空上下文中的超出分布检测方面更加优越。
Aug, 2023