标签
引入了Cluster-Weighted EDMD（CW-EDMD），这是一种数据驱动方法，通过期望最大化联合学习相空间划分和每个簇的Koopman算子，在经典动力系统上的预测精度优于标准EDMD。
本文应用动力系统分析来解释CODI和COCONUT等模型中的潜在思维链推理，揭示了具有稳定和不稳定类别的结构化动态。
介绍了用于从噪声测量中学习动力系统的 Weak-form Kernel Ridge Regression (WKRR) 方法，该方法结合弱形式与核岭回归以滤除噪声并提高精度。该方法在高达64维的混沌基准测试以及15000维的真实流体数据上优于基线方法。
提出了一种分层贝叶斯框架，用于从多个稀疏、含噪声的数据集中对动力系统进行元学习，利用基于梯度的MCMC与嵌入的ODE求解器，对共享参数和数据集特定参数进行高效的后验推断。
本文通过将机器学习（尤其是神经网络）的学习过程视为复杂动态系统，分析了其为何在学习过程中保持不透明，指出了导致学习不透明性的三个关键特性，并论证了某些不透明源可能是不可约的。
本文介绍了无注意力潜记忆和动态重编码，以改进库普曼自编码器中的长时域预测，减少基准动力系统上的误差累积。
数学家们将1992年关于洗牌的经典证明扩展到了不那么精确的洗牌方式，表明即使牌堆分割不均匀，“截断现象”仍然会发生。
Physics-conforming Latent Twins 是一种用于学习潜在替代解算子的框架，通过约束转移方法和保持结构的潜在动力学，在设计中强制执行物理原理（如守恒定律和耗散不等式）。
提出了一种利用深度特征空间和基于算子的潜在状态空间模型的随机非线性动力系统的谱学习方法，在预测和滤波任务中表现出稳定的性能。
本文提出了可训练耗散振荡器网络的记忆-稳定性-表现力三难困境，表明阻尼同时控制这三者并限制了可训练性，通过在20振荡器网络上的实验验证确认了理论界限。
本文开发了一个动态框架，分析AI辅助优化如何根据系统初始的适应响应能力，减少或增强探索性适应，从而导致可能的亚稳态陷阱或探索崩溃动态。
LFNO是一个统一的神经算子框架，它整合了拉普拉斯和傅里叶变换，将系统动力学分解为瞬态和稳态分量，在ODE和PDE基准测试中显著优于现有算子。
提出了Mamba辅助闭合（MAC）框架，这是一种基于Mamba的序列模型，用于高维动力系统降阶建模中的非马尔可夫闭合，在Burgers方程和Lorenz '96系统上优于基于GRU和马尔可夫的方法。
DeepMDMD将深度学习与代数约束相结合，学习紧凑且动态一致的Koopman算子表示，并将乘积规则作为精确约束强制实施。该方法在高维混沌和流体动力学问题上优于几何方法，减少了谱污染并实现了稳定的长期预测。
本文介绍了锚定序数网络（GON），一种时间卷积模型，通过固定序数评分的规范自由度，为不同动力系统分配一致的可预测性评分。该方法在保留系统上的迁移效果优于从头训练，零样本评分在随机边界处保持了序数结构。
ChaosBench-Logic v2是一个包含165个动态系统共40,886个问题的大规模基准测试，用于评估LLM的逻辑推理能力，结果显示即使在最前沿的模型中，在状态转变推理上也接近随机表现，并存在系统性失败模式。
本文提出了一种基于迭代状态变换和语义等价的认知过程建模的结构动力学框架，融合了动力系统、范畴论和反馈机制，将认知建模为朝着稳定解释演化的过程。
本文提出了以人为中心的学习机制（HCLM），这是一个用于研究开放和受控学习系统的动态信息理论框架。它通过有效信息力形式化了熵正则化，推导了收敛性和泛化结果，并提供了对尺度律行为的条件性解释。
Equilibrium Reasoners (EqR) 提出了一种新颖的可扩展推理框架，通过在潜在动态系统中学习任务条件吸引子，展开多达 40,000 层，在 Sudoku-Extreme 上实现了超过 99% 的准确率。