- 高维稀疏回归中的非参数估计稀疏深度神经网络
非参数方法估计部分导数与稀疏深度神经网络的参数估计结合，为深度神经网络的可解释性提供了有前景的研究结果。
- 参数估计问题的深度最优实验设计
使用深度学习作为似然无关估计器进行训练，以显著简化设计过程并避免非线性系统中固有的计算昂贵的二级优化问题，从而改善参数估计问题的恢复过程。
- 使用惩罚最小二乘法施加形状约束的符号回归
本文研究了在符号回归（SR）的参数估计步骤中添加形状约束及其考虑。我们提出了使用基于梯度的数值优化来最小化参数估计期间的形状约束违规。通过对合成数据集进行测试，我们评估了三种算法变体的性能，以识别出三个符号表达式。结果表明，当数据稀缺时，将 - 从数据中基于神经网络的方程发现：约束还是无约束？
通过解决受约束的优化问题并使用类似于物理 - Informed 神经网络（PINN）的中间状态表示，我们将 PDE 表示为神经网络，以发现 PDE。我们使用惩罚方法和广泛使用的约束 - 区域障碍方法解决了此约束优化问题，并在数值示例上比较了 - BO4IO：一种带有不确定性量化的逆优化的贝叶斯优化方法
该论文提出了一种基于贝叶斯优化的数据驱动逆优化方法，称为 BO4IO，用于解决参数估计和不确定性量化等问题，通过将逆优化损失函数视为黑盒，并使用高斯过程模型进行近似，使用 BO4IO 可以准确估计未知的模型参数并提供置信区间估计。
- 生物系统仿真校准：细胞培养制造过程
生物制造创新依赖于高效的实验设计（DoE）来优化流程和产品质量。本研究提出了一种新的最佳学习方法，用于引导数字孪生模型校准的顺序 DoE，并评估参数估计误差对数字孪生预测准确性的影响。
- 学习最小体积不确定性椭球
学习参数估计问题的不确定性区域，通过最小化平均体积以满足给定覆盖概率，我们证明在联合高斯数据假设下，最优椭圆以条件均值为中心，条件协方差矩阵为形状；在实践中，我们提出了一种可微分优化方法，通过使用适当标定的神经网络近似计算最优椭圆，与现有方 - 用重复截面数据估计微分方程中参数的分布
利用 Estimation of Parameter Distribution（EPD）方法，通过生成合成时间轨迹、估计微分方程参数并根据不一致性的规模选择参数，实现准确分布参数的估计，从而有效解决了利用重复交叉切面数据（RCS data） - 奥恩斯坦 - 乌伦贝克过程参数估计的传统与深度学习方法的比较
我们使用多层感知器 (MLP) 来估计 OU 过程的参数，并将其性能与传统参数估计方法（如卡尔曼滤波器和极大似然估计）进行比较，发现在大型观测轨迹数据集上，MLP 可以准确估计 OU 过程的参数，但传统参数估计方法可能更适用于较小的数据集。
- 观点动态模型参数的变分推断
这篇论文使用变分推断方法估计代理模型的参数，通过将估计问题转化为可直接求解的优化任务。该方法可用于进行数据驱动分析，以更准确地估计和验证代理模型，并提供有关社会系统中人类行为的洞察。
- ICML卷积神经网络搭配长短期记忆模型高效估计利维驱动随机微分方程的参数
本研究介绍了一种用于估计非高斯噪声驱动的随机微分方程参数的方法，通过引入一种新型的基于 CNN 和 LSTM 的三阶段模型 PEnet 解决了 LSTM 网络在参数估计中存在的时间复杂度高、与 LSTM 链接性的限制等问题。PEnet 采用 - 基于 Transformer 的统计参数估计
基于 Transformer 的方法在参数估计中能够无需数学推导、密闭解、或概率密度函数，仅需单次推断即可根据样本观测值估计潜在分布的参数，与最大似然估计相比在常用分布上达到更高的精确度。
- 偏斜高斯混合专家的参数估计
在这篇论文中，我们考虑了参数估计问题，主要集中在偏离的高斯混合专家模型中。通过构建新的基于 Voronoi 的损失函数，我们准确地捕捉了最大似然估计的收敛速度，并显示出这些损失函数比高斯混合专家模型常用的广义 Wasserstein 损失函 - 自然语言中的排名频率关系的重要参数
通过引入 “零号词” 计算，本研究提出了一种通过搜索最佳参数来估计阻碍词汇增长的参数 γ 的方法，并进一步讨论了公式和参数的几个案例研究。
- 基于深度学习和降阶建模的贝叶斯非分离哈密顿量多项式噪声识别
本研究提出了一种结构保持的贝叶斯方法，用于学习使用随机动态模型的非可分离哈密顿系统，并允许统计依赖性、向量值加性和乘性测量噪声。
- 有限记忆下的统计推断：一项调查
本文综述了在统计推断中存在的内存限制对性能的影响，包括假设检验、参数估计和分布特性检验 / 估计等几个典型问题，总结了该领域内的主要研究成果，并提取了一些算法构建的基本模块和推导下限的有用技术。
- 基于深度学习的马尔可夫模型中时间相关参数的估计，应用于非线性回归和随机微分方程
我们提出了一种新颖的深度学习方法，用于通过离散采样估计马尔科夫过程中的时变参数。通过将参数近似重新构造为最大似然方法的优化问题，我们的方法与传统的机器学习方法有所不同。实验验证集中在多元回归和随机微分方程的参数估计上。理论结果表明，在特定条 - 优化无似然推断：利用自监督神经对称嵌入
通过优化无似然推断，利用自监督学习以及物理问题中的对称性数据增强，通过联合嵌入学习物理对称性（如时间平移），进而使用归一流在参数条件之前利用嵌入网络总结数据进行参数推断，相比不使用预训练对称性感知表示的归一流，本文在两个简单物理问题中展示了 - 利用神经网络估计波形的物理参数
通过利用神经网络的能力，本研究提出了一种基于 LiDAR 数据分析的参数估计的新方法，成功地学习了反演模型，并能够预测诸如深度、衰减系数和底反射率等参数。通过对真实 LiDAR 数据的测试，验证了模型的性能。未来更多的数据可用性将能够提高这 - 深度学习用于机制模型参数的快速推理
利用深度神经网络预测机械模型参数在生物过程工程中起到了重要的作用，提供了高效、健壮且计算成本低的参数估计方法，综合实验数据对比了提出的算法与传统方法，发现神经网络预测的参数估计优于传统拟合程序。