标签
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。
GradRepair-ODE引入了一个可靠性框架，用于认证和修复神经网络ODE训练中的梯度，以解决科学机器学习和生成模型中的数值稳定性问题。
本文介绍了响应重整化，一种通过解决近奇异雅可比矩阵问题来提高深度平衡模型训练稳定性的反向传播框架，并在各种多物理场应用中进行了验证。
本文评估了五种宏观经济预测模型族，发现 ARIMA 和神经常微分方程 (Neural ODE) 等约束较少的模型优于物理信息神经网络 (PINN) 等优先考虑结构约束的模型，表明结构先验在不匹配时可能扮演错误正则化器的角色。
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。
作者将结构方程模型、神经常微分方程和类似DSPy的AI程序进行比较，认为它们都是用于定义和优化计算图的声明性框架，并论证了结构化流程对于可信AI代理至关重要。
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。