标签
本文介绍了DiMS，一种动态系统采样器，能保证从神经网络最小损失解的子流形中精确采样，从而在贝叶斯推断中实现更好的不确定性量化。
本文研究了用于动力系统重构中训练循环神经网络的时间并行算法，提出了GTF-DEER，它能够在长序列上实现稳定学习，并提高重构精度。
本文介绍了动力学物理建模神经网络（DynPMNNs），这是一种连续时间深度学习架构，其中隐藏层由常微分方程定义。该方法基于再生核巴拿赫空间，具有生物启发性，在加州房屋数据集上展现出与标准神经ODE相当的性能，且参数更少。
本文介绍了 MeLISA，这是一种无需潜变量的自回归生成代理模型，用于预测高维物理动力学。该模型利用像素空间的 MeanFlow 实现高效的单步生成。与神经算子相比，MeLISA 在湍流基准测试中展现出更优越的长程统计精度和推理速度。