- 建模随机观测的时空动力系统
我们开发了一种新的时空方法，通过集成从摊销变分推断、神经微分方程、神经点过程和隐式神经表示等技术，有效处理随机采样的数据，并对未来观测的概率位置和时间进行预测，从而在预测准确性和计算效率上显著超越现有方法，成为研究和理解在真实无约束条件下观 - 神经微分方程的可逆解法用于非规则采样时间序列的分析
基于神经微分方程的可逆解决方案对处理不规则和不完整的时间序列数据进行复杂性处理，使用神经控制微分方程和神经流的变体确保可逆变换，并通过增强的双潜在状态体系提供优越的分类和插值任务的模型建模，实证分析表明该方法明显优于现有模型，推进了不规则时 - 用傅立叶神经微分方程来学习量子场论
使用神经微分方程模型学习粒子散射矩阵，同时提出一种新的傅里叶神经微分方程模型，用于提取理论的相互作用哈密顿量。
- 神经特征值分解实现个体化剂量动力学
该论文提出了一种名为 Neural Eigen 随机微分方程的算法，通过在患者设定的超参数上运行超网络来提供个性化建模、扩展到新的治疗政策、根据噪声水平进行可调表现，以及快速、连续和闭合的预测，以模拟医学健身房环境中的真实医疗问题。
- 学习约束动力学的稳定神经微分方程
本文提出了一种基于稳定化术语的神经微分方程方法：稳定化神经微分方程，用于实现关于神经微分方程的约束条件，提出的方法简单易行，适用于常见的神经微分方程模型，并能够超越现有方法的应用范围。
- 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。
- ICML在存在潜在混淆变量情况下，估计连续时间中的治疗效果
本文通过应用神经微分方程建立潜在因子模型，使用随机控制微分方程和 Lipschitz 限制卷积操作，不断纳入关于进行中干预和不规则的样本观测的信息，以在动态时间设置中存在隐藏因素的情况下连续估计处理效应。
- AAAIRobustLoc：具有鲁棒性的车载摄像头位姿回归
RobustLoc 是一个用于自动驾驶中的相机重定位系统，它使用神经微分方程进行信息扩散和卷积神经网络从多视角图像中提取特征图，同时配备多层训练的分支位姿解码器。使用 RobustLoc 可以在各种环境下实现相机的鲁棒定位。
- 神经微分方程
神经微分方程是深度学习和动力系统相结合的一个研究领域，可用于解决生成式问题、动力系统和时间序列。本文提供了这个领域的深入调查，并涵盖了神经微分方程的多种类型及其相关的数值方法和符号回归。
- 时间序列神经微分方程多次射击训练
研究证明，标准神经微分方程拟合存在振荡数据时往往导致数据无法准确描述，进一步介绍多发射方法成功应用于合成和实验数据拟合，并通过引入惩罚或广义拉格朗日方法解决了多发射方法引入的约束问题。
- 打开黑匣子：通过正则化内部求解器启发式算法加速神经微分方程
本文提出了一种基于正则化的方法，该方法利用自适应微分方程求解器的内部代价启发式和离散相邻灵敏度来引导训练过程，以学习更易于求解的神经微分方程，并在不增加训练成本的情况下加速预测，该方法可应用于常微分方程和神经随机微分方程。
- ICML嘿，那不是一个 ODE：通过半范数加速 ODE 伴随
本研究提出了替换 `L^2` 等传统范数为更适当的（半）范数以加快反向传播的算法，实验证明在时间序列、生成建模和物理控制等任务中有 40％至 62％减少函数计算量的中位数改善，训练时间大约减半。
- 基于神经常微分方程的循环神经网络模型
该研究论文介绍了一种使用 ODE 的时间序列数据分析方法，提出基于 ODE 的 RNN 模型，可在较短的训练时间内学习具有不规则采样率的连续时间序列，并且计算效率更高、精度更高、设计更简单。
- ICLR神经微分方程用于单幅图像超分辨率
本研究使用变分图像复原方法中的偏微分方程对不同类型的神经微分方程和反向传播方法进行基准测试，发现传统的 adjoint 方法不稳定，稳定性更好的离散敏感度分析方法在单张图像超分辨率模型中取得了与当前最新模型相当的性能。