- 从神经数据推断随机低秩循环神经网络
我们提出使用变分顺序蒙特卡洛方法拟合随机低秩递归神经网络，验证了该方法在多个数据集上的有效性，并展示了对具有分段线性非线性性质的低秩模型进行高效识别的方法，可为大型递归神经网络的推断动态分析提供可行性。
- 动力系统的循环深度核学习
使用基于数据驱动的随机变分深度核学习以及递归版本，提出了一种构建 ROMs 的方法，能够对物理资产的复杂动态进行精确描述，并具备去噪、重建、学习紧凑表征系统状态、预测以及量化建模不确定性的能力。
- 序列建模用交流发电机
此篇论文介绍了交替器（alternators），一种新颖的非马尔可夫动力学模型家族，用于序列分析。交替器包括观测轨迹网络（OTN）和特征轨迹网络（FTN）两个神经网络，通过在观测空间和特征空间之间交替输出样本来学习数据的动态特征。交替器具有 - 梦想着众多世界：学习上下文世界模型助于零样本泛化
提出了一种称为 cRSSM 的上下文循环状态空间模型，该模型通过将上下文与观察值结合起来，改进了 Dreamer 的世界模型，从而提高了在未见上下文情况下训练的策略的零 - shot 泛化能力。
- 混合潜在动力学的无监督学习：以学习 - 识别框架为基础
从数据库中无监督地学习高维时间序列的潜在动力学是一个挑战，该论文从物理归纳偏差和学习 - 识别策略的角度研究了这个问题，并提出一种新颖框架 Meta-HyLaD，用于无监督元学习混合潜在动力学，既包括已知的数学表达式又包括描述未知误差的神经 - 用于实时神经科学实验的 LFADS 的 FPGA 部署
使用 LFADS 模型和 FPGA 实现的高效实时数据处理方法，能够从高维度的神经尖峰数据中推断出潜在的动态，为研究神经人群动力学和提高计算算法的实时处理能力提供了新的机会。
- 用简单世界模型预测未来
我们提出了一种正则化方案，简化了世界模型的潜在动态，使得动态软件状态的不变性更强、智能体行为的效果更可预测。通过结合三种不同的模型类别，我们发现该正则化方案能够提高准确性、泛化性和后续任务的性能。
- 通过物理潜变空间学习中间图像动态
我们提出了一个框架，旨在学习两个连续时间步骤中观察到的图像之间的基本动态。通过估计图像演化的中间阶段，我们的方法关注在保持图像的空间相关性的同时提供可解释性，并通过偏微分方程中表示的物理模型引入潜在动态学变量，确保了所学模型的可解释性并提供 - 潜在随机动力系统中的转变预警
通过发展新方法：有向各向异性扩散图（directed anisotropic diffusion map），我们能够有效地提取出低维流形中的潜在演化动力学，并应用于真实的脑电图（EEG）数据，找到了适当的有效坐标，推导出能够检测状态转变过程 - 潜在动力学中的时空结构提取与恢复：扩散模型对齐
该论文提出了一种基于扩散模型的方法，用于在跨域和跨主体领域中提高神经人口活动的对齐质量，维护潜在动态的时空结构，并实现超过现有方法的对齐质量。
- 基于图正则化的事件传播序列点过程模型
本文提出了一种图正则化点过程模型来建模事件传播，通过对节点嵌入的上下文化将时间关注度模型的励興和时间衰减因子构建到当前事件的过程中， 还通过应用图正则化方法提供了模型可解释性.
- 通过变分稀疏门控学习鲁棒动力学
本文研究了如何在稀疏交互的情形下，通过学习从感官输入中生成世界模型的方法，提高在具有许多物体的环境中的运动样本效率。我们提出了一种称为变分稀疏门控的潜在动力学模型和简化架构，并在具有大量移动对象和部分可观测性的 BringBackShape - 具有隐含因果效应分离的神经状态空间建模
本文介绍了一种用于重建生理系统中微弱信号的新技术，通过显式建模和分离潜在内部干预对系统的潜在状态产生的影响，并通过推断隐藏的内部干预来实现对本机干预的动态的建模，从而重建招发生在心脏电学传导中的异常事件，并演示了其在电学传导中的应用（使用深 - 基于局部线性控制的预测编码
使用信息论的 Learning Controllable Embedding (LCE) 方法，通过使用预测编码来代替显式的下一个观察预测，提出了一种无解码器的 LCE 模型，其潜在动力学适于局部线性控制，并在基准任务上展示了可靠的控制潜在 - 通过动态系统进行潜在因素分析的 LFADS
LFADS 是一种基于变分自编码器的时序模型，在神经科学中应用广泛，能够通过推断出潜在动力学，对同时记录的高维神经放电数据进行低维度因子分析。