- 控制混沌:在递归神经网络的训练中强制执行动力学不变量
运用遍历理论引入机器学习的新型训练方式,强制实现系统中的动力学不变量,以提高在有限数据情况下对混沌动力学系统的长期预测能力,用回声状态网络体系结构进行演示,并以 Lorenz1996 混沌动力学系统和光谱拟地转模型为测试案例,取得了丰硕成果 - 采用 Copula 熵的系统辨识
本文介绍了一种基于 Copula Entropy 的新的变量选择方法,应用于识别动态系统的微分方程。该方法具有非参数和无超参数的特点。通过模拟实验,证明了该方法的有效性。
- 神经群体动态和几何的可解释统计表征
本研究提出了一种基于统计学习的无监督几何深度学习框架,利用局部相空间特征的统计分布来表示非线性动态系统,该方法提供了鲁棒的几何感知或几何无关的表示,可用于测量轨迹的基础上进行无偏的动力学比较,并设计了一种具有最先进准确性的解码算法。
- MM利用神经时滞微分方程进行时滞学习
本文介绍了一种基于延迟微分方程(DDE)的连续时间神经网络方法,使用伴随灵敏度方法从数据中直接学习模型参数和延迟。该方法可以学习 DDE 参数,表现出良好的敏感性分析能力,并涉及到机器学习、动力系统学和神经网络等领域。
- 局部正则化神经微分方程:有些黑盒应该保持关闭!
通过使用内部成本启发式算法,本文开发了两种采样策略来减少函数评估数量并加速预测,与全局正则化相比,我们的方法在普通微分方程和随机微分方程中具有相似的性能而不会影响实施的灵活性。
- ICLR记忆神经微分方程及正交多项式投影
本研究提出了 PolyODE,一种基于正交多项式投影的神经常微分方程模型,用于学习动态系统,以实现长期记忆和整体表示,优于先前的模型在数据重建和下游预测任务中的性能。
- AAAI应用人工智能协助科学家发现气候翻转点
提出了一种混合人工智能气候建模方法,使用深度神经网络和数学方法相结合的方法进行气候目标仿真,通过神经符号语言实现可解释性。该方法能够在发现气候临界点方面提高精度,具有潜在的加速计算机不可行的快速气候临界点相关研究的能力。
- DynGFN:使用生成流网络的贝叶斯动态因果发现
本文提出了一个针对动态系统的基于 Bayesian 原理的因果关系发现框架,采用生成流网络架构来学习循环图的贝叶斯后验概率,该框架通过时间建立自然的因果关系,并通过实验表明其与同类算法相比,能够更好的表征同时具有循环性和因果性的问题。
- 从轨迹中元学习可推广的动力学
本论文提出了解释性元神经微分方程 (iMODE) 方法,用于快速学习多个动力系统的通用动力学,学习到这些系统的力场功能变化,可以将先验物理知识方便地嵌入神经网络结构,对 unseen system 进行建模并反推系统的物理参数,或作为神经规 - 通过非凸优化探索复杂动态系统
通过机器学习工具,提出一种基于优化驱动的方法,应用于包含化学反应网络的反应扩散模型(称为 “Dense RDN”),以识别新的状态和行为,包括模式形成,最大化耗散的非平衡态和类似复制的动态结构。
- MM贝叶斯大脑组合理论的数学基础
本篇论文应用类别论工具给出了一种关于主动推理和 Bayesian 大脑的构成性解释,定义了 Bayesian 镜头并且使用它们解释了 Bayesian 升级,在此基础上我们定义了统计游戏的类别,并使用它们对各种统计推理问题进行了分类。同时对 - 神经符号模型对自然限制的保证一致性
本研究提出了一种基于神经符号模型的方法,可以实现对模型的确定性接纳,并在三项案例中进行了实验验证。
- 利用 Port-Hamiltonian 神经网络进行动态系统模型的组合学习
介绍了通过组合神经网络来学习交互子系统的复合模型的方法及理论依据,并使用 PHNN 来表示系统及其各个子系统,通过物理信息互连结构组合 PHNN 以预测复合系统的动力学行为。
- 神经常微分方程作为非线性最优控制的反馈策略
本文提出了基于神经常微分方程(Neural ODEs)的神经控制策略,将控制策略优化问题转化为一个 Neural ODE 问题,有效地利用动态系统模型,展示了这种确定性神经控制策略在两个受控系统中的功效:控制的 Van der Pol 系统 - 深度神经网络作为复杂网络
本文运用复杂网络理论将 DNN 表示为一个有向带权图,并介绍了一些度量方法,可以研究 DNN 作为动力学系统的性能,并发现度量方法可以区分低性能和高性能网络。
- MM基于容忍原则推导语言的动力学系统
该研究在以获得驱动框架中推导出语言的显式动力系统,假设儿童 / 学习者在语言习得过程中遵循容差原则,考虑了不同的理论参数,如种群大小,以及为学习者提供数据的以前几代的数量。
- MM组合式主动推理 II:多项式动力学。近似推理原则
本文通过引入活动,将统计博弈与玩它们的动力系统范畴化,并使用近似推理原理建立起复合理论,最终构建了微分和动态的‘分层推理系统’的放大分类。此外,还描述了‘externally parameterized’ statistical games - ICML通过模块化和物理归纳偏差学习具有泛化动力学的 ModLaNets
提出了一种具有模块化和物理归纳偏差的结构神经网络框架,即 Modular Lagrangian Network (ModLaNet),它利用模块化来建模每个元素的能量,并通过拉格朗日力学构建目标动力学系统,从而可以从简单系统的动力学中学习并 - 使用全通力训练的反馈驱动循环尖峰神经网络学习
本研究提出一种监督式训练程序,运用递归最小二乘法的 FORCE 算法来拟合每层过程的目标,以控制反馈回路,促进 RSNNs 神经元网络动力系统的训练,提高其性能和抗噪性并使用 TTFS 编码来进行能效硬件实现。
- 一种算法化的应对 “涌现” 的方法
本研究提出了一种基于算法信息论的客观框架来量化并客观描述新兴性概念,并通过应用于动力系统和热力学的实例来验证定义的有效性。