- 扩散生成多保真学习与物理模拟
基于随机微分方程的扩散生成多保真度（DGMF）学习方法通过连续去噪过程生成解决方案输出，同时利用条件分数模型控制解决方案的生成，可有效学习和预测多维解决方案数组，将离散和连续保真度建模统一，展示了多保真度学习的有希望的新方向。
- 一种提高基于 Y 算子的强化学习在一类基于随机微分方程的子母系统中的性能的方法
本文介绍了一种新颖的操作符，称为 Y 操作符，用于提高受随机微分方程控制的基于 Actor-Critic 的强化学习系统的控制性能。Y 操作符巧妙地将一类子母系统的随机性集成到评论家网络的损失函数中，显著提高了 RL 算法的控制性能。此外， - 使用随机微分方程的神经结构学习
基于连续时间随机微分方程和变分推断，我们提出了一种新的结构学习方法 SCOTCH，可以自然地处理任意时间点的学习和预测观测，并在合规和非合规采样间隔下，在合成和真实数据集上表现出较好的结构学习性能。
- 考虑物理信息的生成 - 编码对抗网络及潜空间匹配用于随机微分方程
我们提出了一种新的物理信息生成编码对抗网络，用于有效解决随机微分方程中正向、反向和混合问题所带来的挑战。该模型包括生成器和编码器两个关键组件，通过梯度下降轮流更新。与直接匹配近似解和真实快照的先前方法不同，我们采用间接匹配，在较低维潜在特征 - 稳定扩散过程的因果建模
我们开发了一种新的因果推断方法，通过学习随机微分方程 (SDEs) 的稳定密度来模拟系统在干预下的行为，而不需要因果图的结构方程，并且无需考虑无环性的常见假设。我们表明，在若干情况下，这些稳定扩散模型对于变量上的未观测干预进行了推广，通常比 - 分数噪声驱动的随机微分方程的变分推断
在这篇论文中，我们提出了一种用于推断由 Markov - 近似分数布朗运动（fBM）驱动的（神经）随机微分方程（SDEs）的新颖变分框架。我们结合了 SDEs 和变分方法的强大推断能力，通过随机梯度下降学习代表性函数分布。此外，我们还提出了 - 加速 SE (3) 不变空间中基于扩散的分子构型生成
本研究通过现有方法引入的近似误差视角，系统研究了 SE (3) 不变空间中的扩散机制，从而在投影微分方程的背景下发展了更精确的近似方法，并提出了一种新的加速方案，可以在 SE (3) 不变空间中以 50 倍至 100 倍的速度生成高质量的分 - 条件扩散模型：目标说话者提取
我们提出了 DiffSpEx，一种基于基于分数的生成建模的目标说话人提取方法，通过随机微分方程实现。 DiffSpEx 在复杂的短时傅里叶变换领域中部署连续时间的随机扩散过程，从目标说话人源开始并收敛到以源混合为中心的高斯分布。 对于逆时间 - Kushner 最优滤波器的变分高斯近似
基于可变分高斯逼近，本文提出了一种近似计算 Kushner 方程解的新方法，该方法通过与概率密度的传播和贝叶斯更新相关的两个接近损失函数的可计算高斯逼近来实现。这两个变分更新可以被融合，并满足高斯的均值和协方差矩阵上的一组随机微分方程，该高 - PI-VEGAN: 物理信息变分嵌入生成对抗网络用于随机微分方程
我们提出了一种名为物理信息变分嵌入生成对抗网络（PI-VEGAN）的新型物理信息神经网络，它有效地解决了随机微分方程的正向、反向和混合问题。
- GOKU-UI: 连续时间生成模型的注意力和多次射击普遍推理
本文介绍了 GOKU-UI，一个基于 Scientific Machine Learning（SciML）演化而来的生成模型，它通过在潜空间中使用注意力机制和新型的多发射训练策略，结合不同种类的微分方程，实现分布式推理，显著提高了模型的性能 - ICML运输，变分推断和扩散：在 退火流和薛定谔桥 的应用
该论文探讨了最优输运和变分推理之间的关系，并提出了一系列采样和生成建模的新技术，其中涉及随机微分方程和 Girsanov 转换等内容。
- 用图神经随机微分方程学习布朗运动动力学
本文提出了一种结合随机微分方程和图神经网络的框架 (BROGNET), 用于直接从轨迹学习布朗运动，并在多个系统上进行了实验验证，证明了其在学习动力学方面的优越性和对不同尺度和温度的泛化能力.
- 不平衡扩散薛定谔桥
该研究提出一种新的神经参数化方法：非平衡扩散 Schrödinger Bridge（DSBs）。该方法可以模拟当端点是概率分布，且质量未被守恒时，人口的时间演化，并可应用于分析癌症药物的单细胞响应和病毒变异的传播过程。
- 通过双重过程将随机微分方程嵌入神经网络
文章提出了一种新的构建神经网络用于预测随机微分方程期望的方法，该方法不需要输入和输出的数据集，而是直接比较神经网络中的权重与从时间演化方程获得的信息，通过构建神经网络来演示了 Ornstein-Uhlenbeck 方程和带有噪声的 van - 变分高斯过程扩散过程
本文提出了一种基于连续指数族描述的高斯变分过程的参数化方法，利用凸优化算法来解决具有非线性扩散过程先验的潜在过程的生成模型下的概率推断和学习问题。
- 基于神经 SDE-RNN 的不确定性量化通用框架
提出一个基于循环神经网络和神经随机微分方程的框架，以处理不规则采样下时间序列插补中的不确定性量化问题，并通过解析表达式量化和传播时刻间认知和随机不确定性，该方法在 IEEE 37 总线测试分布系统上优于现有的时序数据插值不确定性量化方法。
- 扩散模型的几何视角
本文研究扩散模型的采样动力学，通过挖掘它的几何结构，提出一种简单却强大的采样理论框架，并将扩散模型的优化与经典的均值偏移算法关联起来。
- 流匹配方法的误差界
本文提出了一种使用完全确定性采样的流匹配过程，该过程利用概率流 ODE 方法和去噪扩散隐式模型，为基于 ODE 的生成模型提供了误差界限。
- 随机修正方程和 Dropout 算法的动力学
本文研究了 dropout 过程中的梯度优化机制，使用模拟方法得出其随机修改方程，证明了 dropout 的正则化能力来自于其寻找更平稳的极小值点，实验结果表明这种机制在 dropout 的训练过程中普遍存在。