标签
清华团队提出 Controlled-Minimax 框架，将对抗训练动力学建模为二阶常微分方程，并通过设计反馈控制器为极小极大优化提供局部指数稳定性保证，有效抑制生成对抗网络训练中的振荡与极限环问题。
该论文研究了在稀疏噪声传感器观测下，神经代理模型在空间窗口与历史时间之间的输入分配权衡，并通过贝叶斯最优误差分析与 Burgers、Kuramoto-Sivashinsky 方程实验，给出了窗口按场的相关长度设定、输入预算随预测时距调整的设计规则。
该arXiv论文提出了“由几何辐射诱导约束自组织”这一机制，用于描述封闭且远离平衡态系统中的动态有序现象，并在耦合Ricci流系统中的三种几何流中进行了验证。论文引入了一种新颖的“楔形吸引子”拓扑结构，并证明了四个定理，确立了普适的应力累积至分形极限环过程的充分条件。
一篇 NeurIPS 2026 论文提出了 DynaBase——一个用于动力系统零样本重构的极简可解释架构，仅由一个单参数分段仿射映射和一个上下文选择器构成。尽管结构如此简单，它在长期统计特性和短期预测方面却超越了主流的时间序列与动力系统基础模型，并为分析此类模型提供了可处理的数学基础。
一篇 NeurIPS 2026 论文提出了面向动力系统重构的拓扑域外泛化方法，识别出分层 DSR 模型的失效模式，并通过特征拆分与物理稀疏先验加以修复，从而在不显式掌握控制参数的情况下正确预测分岔与动力学体制转变。
论文提出了一种面向动态系统重建的参数隔离型持续学习方法——持续可回收单元门控（Continually-Recyclable Unit-Gating，CRUG），该方法利用L0正则化的可微门控机制在任务之间分配与回收单元，在非线性系统和混沌系统上实现了零遗忘，并在重建能力与持续学习之间取得了良好的权衡。
论文提出了EnJoi，一种用于生成式数据同化的集成联合得分滤波器，能够学习历史状态与未来状态的联合分布，使改进的En4DVar方法得以在当前状态与新增观测之间进行置信度权衡。在流体与交通流仿真上的实验表明，该方法在稀疏、非均匀观测条件下能显著提升状态重构精度。
研究表明，仅在非线性动力系统的受限参数区间上训练的小型自回归Transformer（包括logistic/sine映射、Lorenz系统和Hopf系统），能够外推出远超训练分布范围的全局动力学，复现出直至周期128的倍周期级联，并将Feigenbaum常数精确到5e-4以内；因果干预实验揭示了控制参数信息如何通过注意力机制流向状态预测。
本文研究选择性状态空间模型中的递归是否像Transformer中的注意力一样驱动令牌达成共识，利用动力系统理论分析时变权重矩阵的稳定性和吸引域。
本文介绍了K2SVD，这是一种通过Kalman推断学习Koopman算子表示的原理性方法，以实现高效且准确的时间序列预测，展示了优于现有最先进方法的性能。
本文引入了基本动力学单元（FDUs）作为可组合的基元，用于网络动力学系统中的物理信息结构推断，利用神经常微分方程（ODEs）从扰动时间序列数据中恢复交互结构。
本文介绍了一种使用具有417k参数的小型递归动态系统，从单一初始状态自主生成完整'Bad Apple'视频的方法。它详细说明了架构、训练技术如展开视野课程和状态扰动噪声，并在GitHub上分享了代码和模型。
本文提出了一种新方法，通过使用神经代理模型和自洽性来求解完整轨迹上的不动点问题，从而模拟耦合动力系统，取代了传统的逐步时间积分。该方法在 van der Pol 振荡器和 Hodgkin–Huxley 神经元网络上进行了演示，突出了效率提升和独特的梯度特性。
本文介绍了稀疏 Koopman 自编码器 (SKAE)，用于在多盆地非线性系统中识别局部动态区域，展示了优越的预测性能和可解释的潜在支持。
MnemoDyn是一个基于动力系统的模型，在40K fMRI序列上训练，用于学习静息状态动力学，在重建质量上优于基于Transformer的方法，并在多样化人群中泛化良好。
本文提出了一种黑箱方法，用于LLM安全分类，该方法利用动力系统和Koopman算子对提示-响应嵌入动态进行建模，以检测不安全输出。
本文提出了一种控制神经网络中循环动态的方法，以实现可靠的测试时深度，分析了稳定、边际或漂移等动态机制，以提高算法任务如数独和进位传播的性能。
CLS 引入了一个可扩展的框架，用于动态系统的同步因果网络推断和预测，在基准测试中实现了高保真度重建和准确预测。
本文介绍了一种数据驱动框架，结合监督分类和生成建模，用于重建多稳定动态系统中的分离子，利用神经网络和基于评分的生成模型来近似吸引盆的边界。