本文提出了一种新颖的增量半参数反向动力学学习方法，通过刚体动力学方程的参数建模和增量核方法的非参数建模相结合，实现了对机械系统动力学的增量半参数学习，并在 iCub 人型机器人贴身进行验证。

Jan, 2016

本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

Apr, 2017

本研究分析了物理和神经网络的优化特征，并结合了经典网络和物理优化器的原则，基于 Jacobian 的半反演提出一种新方法，比目前最先进的神经网络优化器更快地收敛并产生更好的解决方案，此方法在非线性振荡器，Schroedinger 方程和泊松问题的三个复杂学习问题上得到了验证。

Mar, 2022

本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

Nov, 2019

本文介绍了两种实现自主驾驶的算法：深度学习和自适应神经符号网络系统。本研究旨在结合深度学习的目标识别和跟踪技术以及自适应神经符号网络代理来改善物体识别性能，并利用雷达传感器实现了对汽车行驶轨迹的准确检测。

Mar, 2022

本研究考虑如何解决一类通用的逆问题，通过使用深度学习等多种方法，通过随机快速生成搜索算法的方式，寻找可能的逆解空间，并通过一个新方法来得到最佳逆解。

Sep, 2020

本文提出了一个新的框架来得出能够自动、无需超参数训练全连接和卷积神经网络的一阶优化器：自动梯度下降。该理论为下一代结构相关的优化器提供了严谨的理论基础。

Apr, 2023

使用深度神经网络进行通信信号识别在大样本监督学习方面表现出色，但对于小数据集和少量标签的情况下，使用深度神经网络进行训练往往容易过拟合，性能下降。为此，我们提出了一种半监督学习方法，能够有效利用大量的未标记信号数据来提高泛化能力。该方法主要依赖于一种新颖的一致性正则化实现，即 Swapped Prediction，它利用强大的数据增强来扰动一个未标记样本，并鼓励其对应的模型预测接近其原始预测，该预测经过交叉熵损失的缩放对称优化。广泛的实验证明，我们提出的方法在通信信号识别的深度半监督学习方面取得了有希望的结果。

Nov, 2023

本文介绍了一种利用反馈信号进行迭代更新建模的方法，可在解决逆问题的过程中提供比传统优化法更快且更优秀的性能表现，同时在各项指标上均显著优于基于深度学习的方法，可广泛应用于 6-DOF 姿态估计、照明估计和逆运动学等领域。

Jan, 2021

通过引入新的建模能力，人工智能和深度学习正在重塑数字仿真框架，这些框架在模型校正和参数化方面表现出巨大潜力，并且通常优于传统物理模型。本文提出了一种高效实用的在线学习方法，名为 EGA（Euler 梯度逼近），用于混合系统，该方法通过假设对物理模型进行神经修正，并采用梯度的显式 Euler 逼近，克服了混合模型中的可微性难题，并证明在无限小时间步的极限下 EGA 收敛于精确梯度。数值实验结果显示，与离线学习相比，该方法在不同案例研究中，包括典型的海洋大气动力学中，有明显的改进，凸显了端到端在线学习对混合建模的潜力。

Nov, 2023