- 不考虑实例的几何和接触动力学学习
通过使用几何作为共享表示，本研究提出了一种实例不可知的学习框架，融合了视觉与动力学，以同时学习形状、姿态轨迹和物理属性。通过使用 RGBD 视频，无需先验知识和已知形状，该框架能够学习对象的几何和动力学特性。实验证明了该框架在学习刚性和凸物 - 关于点对点非线性前后线性化循环神经网络 (RNNs) 的简要技术说明
這篇簡短且非正式的技術筆記描述了動態矩陣的兩個線性化之間的關係，以及它們的左右特徵向量，並顯示在活動動態的線性化下出現了一些依賴上下文的效應，但在激活動態的線性化下並未出現。
- 从液相电子显微镜视频中恢复分子的三维动力学
通过结合内隐神经表示（INR）和动态变分自编码器（DVAE），我们提出了一种名为 TEMPOR 的用于液相电子显微镜（liquid-phase EM）的时间电子显微镜物体重建算法，可以恢复分子结构的时间序列，从而直接观察分子的三维动态变化。 - 极端天气事件中的深度学习技术综述
深度学习在极端天气事件预测和理解领域有着潜在的应用，本文对其在雷暴、闪电、降水、干旱、热浪、寒潮和热带气旋等天气预报的各个方面的运用进行了综述，强调了深度学习捕捉复杂模式和非线性关系的潜力，同时讨论了当前方法的局限性和未来的进展方向，该综述 - 算法回溯中的内生宏观动态
现有关于反事实解释和算法回应的研究主要集中在静态环境中的个体上，但对于处理数据和模型漂移等动态环境的能力仍然是一个未被充分探索的研究挑战。在个体实施回应的实际情况如何影响其他个体方面也缺乏研究。通过模拟实验，本文发现现有的算法回应方法的应用 - 关于蓄水池计算及其超越传统机器学习的跨学科应用的调查
储备计算（RC）是一种递归神经网络，通过随机连接神经元实现对时间信号处理的应用。该模型具有丰富的动力学、线性可分性和记忆能力，可在各种应用中生成适当的响应。RC 的研究领域涉及机器学习、物理学、生物学和神经科学，可应用于物理硬件和生物设备的 - 用变分自动编码器学习随机过程的最小表示
通过无监督机器学习方法，介绍了一种确定有效描述随机过程动态的最小参数集的方法，并展示其在提取精确描述这些动态的最小相关参数方面的效果。此外，该方法可用于生成忠实地复制预期随机行为的新轨迹，从而提高我们对不同领域复杂现象的理解。
- 超越几何：使用动态相似性分析比较神经电路计算的时间结构
使用基于数据驱动的动态系统理论的最新进展和一种新的相似度度量方法，我们能够比较两个递归神经网络并识别它们之间的动态结构，同时能以无监督的方式区分学习规则。
- 知识图谱的结构与动态，附带表浅特性
研究了知识图谱的结构和动态，发现关系间的语义多样性可以用表层性概念简单建模，从而控制独立生成事实的关系重叠程度，也确定错述实体的比例，有助于更好地理解正式的知识获取和组织。
- 从单个模糊图像中恢复连续场景动态
该论文旨在揭示单个运动模糊图像中连续场景动态的信息，并提出一种基于 IVF 的方法来还原任意时间戳下的图像，同时利用运动和纹理引导监督的方法提高非参考时间戳下的图像清晰度。实验表明，该方法在客观和主观上均优于现有的方法。
- 对称腿机器人的高效样本动力学学习：利用物理不变性和几何对称性
该论文提出了一种利用机器人系统对称性学习动态的新方法，通过设计基于神经网络的对称对象组来考虑机器人系统的几何先验知识，实现了对少样本数据实现系统动态的扩展和精准的控制，同时与现有模型相比，该方法使用更少的训练数据实现了更好的泛化。
- 运动常数网络
本文介绍了一种使用神经网络来学习系统的动力学和运动常数的方法。与基于哈密顿的神经网络相比，它可以更好地预测系统的动力学，并且可以在更广泛的系统上工作。此外，该方法的训练进程可以用作确定系统运动常数数量的指标，这在研究新型物理系统时非常有用。
- 无限宽度三层神经网络的实验相图
该研究建立了一个三层无限宽度的神经网络参数初始化的相图，发现不同层的动态行为区别巨大，提供了对不同初始化条件下深度神经网络的研究指导。
- IJCAI从视频中提取动态系统的控制规律和源输入
本文介绍了一种端到端的无监督深度学习框架，基于录制的视频可以揭示物体运动的明确控制方程，在物理坐标系中建立其物理规律，并通过数值积分器和稀疏回归模块，同时解决了文献中尚无现有方法适用的问题，并成功地应用于几个动态系统的记录。
- ICLR通过随机过程进行语言建模
该研究提出了一种名为 Time Control 的语言模型，它可以通过隐式的随机过程规划文档，从而解决生成长文本时的连贯性和一致性问题，相对于领域特定的方法和精调 GPT2，Time Control 在文本填充和话语连贯性方面表现更好，更受 - 上下文为王：隐式识别用于动态自适应
本文提出了一种名为 IIDA 的简单方法，可以在没有真实环境变化情况下自适应环境动态。实验表明，IIDA 显著降低了模型误差，并提高了常用方法的任务性能，适用于机器人在真实场景中的应用。
- KSTAR ELM 螺旋线圈动态的机器学习分析
本研究提出了一种基于深度卷积神经网络的机器学习模型，可自动识别位置、空间范围和振幅不同的 ECEI 电子回旋发射成像系统中的 ELM 暴露结构，该模型在 KSTAR 托卡马克上训练和优化，精度可达 93.7％，并用于表征 ELM 丝线动态行 - 深度延迟自编码器从部分测量中发现控制方程
本研究展示了通过使用深度自编码器学习坐标转换，从而使得可以通过少量的测量变量对被观察动力学进行建模的技术，结合了深度学习和 SINDy，可以同时学习封闭形式模型和部分观察到的动力学的联合模拟框架。
- 哪些先验知识是重要的？学习潜在动态的模型基准测试
本文研究如何通过强化机器学习模型的物理先验知识来解决物理图像理解问题，提出了一种包含 17 个物理系统的数据集，对当前物理启发式机器学习方法进行了细致的对比分析，结果表明尽管这些方法通常可以学习到具有良好性质的隐藏空间，但没有显著提升标准技 - ICCV动态未访问环境下的潜在布局定位 - LaLaLoc
LaLaLoc 利用房间布局的潜在表示进行本地化，通过潜在空间中的直接交叉模态姿态优化实现对全景图的细粒度姿态估计，从而在没有先前访问的情况下弥补了其它方法的缺陷，具有鲁棒性和较高的准确性。