@TrackingActions: 现已被 #Neurips 接受
摘要
一篇关于 DYSCO 的论文，该论文通过学习潜在空间来捕捉底层动力学，并从噪声观测中恢复控制方程，已被 Neurips 录用。
查看缓存全文
缓存时间: 2026/09/27 09:17
已被Neurips接受 🙌💗🔥🫶
Mackenzie Weygandt Mathis博士(@TrackingActions)： 🧠 我们能否直接从带噪声的高维观测数据中恢复系统支配的方程？ #DYSCO（由Paolo Muratore提出）正是迈出的第一步：它学习能够捕捉底层动力学的潜在空间，并恢复支配方程
📄
相似文章
CoSynFlow: Conformal Symplectic Neural Flows for Cross-System Prediction of Dissipative Hamiltonian Dynamics
The paper introduces CoSynFlow, a conformal symplectic neural flow that learns continuous-time solution maps for dissipative Hamiltonian dynamics while preserving the conformal symplectic structure and enabling cross-system prediction without retraining.
@artemZholus：谢谢！在第二篇论文（https://arxiv.org/abs/2605.06388）中，我们采用了您（和RAE）的方案，效果不错。
本文系统地比较了基于重建和基于语义的潜在空间在机器人行动条件潜在扩散世界模型中的应用。研究发现，像V-JEPA 2.1这样的语义编码器在策略相关指标上通常优于重建编码器，从而主张将语义潜在空间作为机器人世界模型的更强基础。
学习的算法信息动力学：一种用于Grokking的认证、可微分复杂性控制器
本文介绍了一种认证的、可微分的复杂性估计器，以控制神经网络中的Grokking，加速这一过程并为学习的算法信息动力学提供见解。
稀疏和噪声数据下控制方程的动力学感知识别
本文介绍了通过基于Koopman的上采样（DMD/EDMD）进行动力学感知预处理，以改善从稀疏和噪声数据中的导数估计和方程发现，并在ODE和PDE系统上进行基准测试。
训练、学习和推断：神经系统的统一动力学
本文提出了一种统一的动力学框架，用于神经系统的训练、学习和推断。