标签
本文提出了结构保持认知神经网络（S-PENNs），这是一个针对具有硬架构约束的科学机器学习模型进行不确定性量化的框架，并实例化于GENERIC动力学，以确保热力学一致的轨迹输出和经过校准的预测区间，同时降低计算成本。
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.
本文介绍了潜变量李-泊松神经网络（LLPNNs），这是一种保持结构的框架，利用几何方法和基于Magnus的李群更新，直接从可观测数据学习李-泊松动力学。该方法在刚体、水下航行器和最优控制示例中表现出很强的准确性和鲁棒性。
本文提出了一种多阶段LLM流程，用于政府文档的结构保持型马拉地语到英语翻译，集成了布局感知OCR和HTML重构，以维护格式和领域术语。
本文提出了针对偏微分方程的结构保持神经替代模型，该模型集成了Gaussian process regression以提供可处理的不确定性量化，从而能够实现具有闭式误差估计的实时仿真。