- 基于数据驱动的具有几何约束的非线性物理系统的计算方法
该研究介绍了一种将机器学习与传统科学方法相结合的基于数据驱动的框架，将物理学的先验知识与先进的机器学习技术相结合，旨在解决基于第一原理和全力学习方法固有的计算和实际限制。通过嵌入特定于特定类别非线性系统的物理学先验，包括可分离和不可分离的哈 - 用 Bregman 学习稀疏化 PDE 解数据的降维
我们提出了一种多步算法，通过在编码器 - 解码器网络中引入稀疏性来减少参数的数量和潜在空间的额外压缩。该算法以稀疏初始化网络开始，并使用线性化的 Bregman 迭代进行训练。在训练之后，我们进一步通过使用一种适当的正交分解形式来压缩潜在空 - 通过自动整合市场指标优化销售预测
通过整合宏观经济时间序列和不同的特征选择方法，本研究探索数据驱动技术在改善顾客需求预测中的潜力。将不断自动识别的适当时间序列应用于工业合作伙伴的销售数据，并发现通过整合外部信息能够显著提升预测能力，尤其是使用前向特征选择技术能够自动化、无需 - 固体材料数据驱动本构定律综述
该综述论文重点介绍了最先进的数据驱动技术，用于发现、编码、替代或仿真描述固体无路径依赖响应的本构法则。我们旨在提供一个有组织的分类体系，介绍过去几十年中开发的各种方法的优点和缺点，并讨论在不同尺度上解释和预测力学行为的不同技术。我们将方法分 - 全球遥感数据下作物分类的最佳多视角学习模型的研究
通过多视图学习方法，研究了作物分类问题，探讨了不同融合策略和编码器结构对全球范围农田和作物类型分类任务的影响，并提供了一个技术框架，用于帮助研究者探索作物分类或相关任务。
- 基于滑动窗口多变量时间序列随机森林分类器的活动区域闪耀预测
本研究的主要贡献在于发展了适用于多变量时间序列的可解释分类器，并展示了一种基于滑动窗口子区间排序的新型特征排序方法，通过在太阳耀斑预测的背景下，填补了用于高维数据的复杂且不易理解的黑盒模型与多元时间序列相关子区间的探索之间的差距。研究结果表 - 基于分割和深度学习的物理感知通用可建模无线信道：基础、方法论和挑战
数据驱动的信道建模与精确的室内信道预测案例研究合并了物理知识和深度学习，为未来模型发展提供了全面的架构和有效的研究方向。
- 逆问题的学习重建方法：样本误差估计
在重建和正则化逆问题领域，学习驱动和数据驱动技术近来成为主要关注点。本研究描述了一个通用框架，使我们能够在统计学习的背景下解释许多这些技术，重点研究学习重建方法的泛化性质，并特别进行样本误差分析。
- 物理约束机器学习中的电子激发态
数据驱动技术与物理近似相结合的例子展示了机器学习在电子结构计算中的应用，从而提高了模型的可迁移性和可解释性，节省了计算成本，并为发展机器学习增强型电子结构方法提供了蓝图。
- PS-AAS: 黑盒优化中自动算法选择的投资组合选取
采用基于元表示的数据驱动技术对算法进行组合选择，实现多样性、代表性和非冗余的算法组合，并且相比传统贪婪方法，个性化组合在大多数情况下表现相当或稍好。
- 学习抓握：从某处到任何地方
通过使用 RGB-D 数据流和视觉技术，本研究提出了一种自动生成并适应新物体姿态的抓取轨迹的方法，通过将轨迹相对于物体框架进行投影，实现了在多个不同机器人设置和物体上的抓取任务的高效执行。
- 图像逆问题的凸隐式优化对抗正则化
通过引入 Convex Latent-Optimized Adversarial Regularizers (CLEAR) 这种新的可解释数据驱动模型，我们结合深度学习和变分正则化的技术，利用潜在优化技术对输入的凸性神经网络进行对抗训练，实 - 基于实验增强的数据驱动建模双有源桥变换器调制策略
提出了一种新的数据驱动模型与实验增强（D2EA）方法，结合仿真数据和实验数据，旨在减少模型差异并提高实际应用中的准确性。该方法通过针对双有源桥（NPC-DAB）变换器的效率优化进行了实例化，并在 2 kW 硬件实验中验证了其可行性，达到了 - 利用递归高斯过程回归从数据中学习电池模型参数动态变化
本文提出一种基于数据驱动和模型驱动方法相结合的混合方法来进行电池健康估计，并证明其计算效率高、数据适用性强以及对不同操作条件具有鲁棒性。实验结果表明该方法能够准确预测电池容量和内阻，为了解电池在实际应用中的老化问题提供了新机遇。
- 一种支持创意产生的工具箱：机器学习、数据驱动和竞赛驱动方法
使用数据驱动技术和机器学习技术进行人机交互以生成创新点已成为一个相对较新的领域，在这个领域中，比赛驱动和数据驱动的方法也可用于激发创新和评估。 本文提出了一系列用于生成创新点的技术，包括一些相应的数据源和模型，以及两个模型，一个方法和一个框 - 国家安全知识整合智能化
本研究报告探讨了使用基于数据驱动和原则性知识相结合的 AI 方法，即 “知识整合的明智人工智能”，在国家安全领域应用的优势和表现的有关问题，并提出了相关建议。
- 利用机器学习优化蜂窝网络的覆盖范围和容量
本研究比较了深度确定性策略梯度（DDPG）和多目标贝叶斯优化（BO）两种方法，并利用实验表明 BO 比 DDPG 收敛更快，少用两个数量级的计算。这些结果表明数据驱动技术可以有效地进行无线蜂窝网络的覆盖和容量自优化。
- 源代码中嵌入式的文献研究
本文综述了单词嵌入技术（如 word2vec）在源代码上的应用，包括将标记、函数 / 方法、方法调用序列、二进制代码等进行嵌入，并提供实验数据和编码嵌入的可视化，我们认为这种数据驱动的自然语言处理技术有很大的潜力应用于未来的源代码分析中。
- 分类问题的复杂程度如何？关于分类复杂度测量的调查
本文介绍从训练数据集中提取的能用于特征描述的分类复杂度的测量方法，包括数据的空间分布、决策边界的形状和大小等。同时，分析了这些特征在最新研究中的应用以及未来的工作机会，并介绍了一个名为 Extended Complexity Library - 基于数据驱动的代数文字问题解决方法
本研究在大规模数据集上探讨数据驱动的技术来解决数学应用题，发现调整良好的神经方程分类器在这些数据集上的表现优于序列到序列和自我关注等更复杂的模型。虽然完全数据驱动的模型表现出一定的潜力，但语义和世界知识是进一步发展所必需的，这是通过我们的错