标签
提出一种结构感知的核函数设计方法，用于高斯过程分布式端口哈密顿系统（GP-dPHS），通过张量积协方差解耦状态与空间依赖关系并融入空间异质性先验知识，实验表明在力场与轨迹重建上显著提升精度。
本文提出分数阶普通最小二乘网格搜索（FO-GS），一种从单一轨迹识别分数阶线性时不变系统的方法，具有理论误差界限和实验验证。
本文提出一种针对二次神经网络的正则化最小二乘训练方法，提供权重和敏感性的闭式表达式，并应用于系统识别。
本文研究了动力系统辨识中的自适应对称性发现，表明已知对称性可缩短辨识所需的轨迹长度，并提出了一种从单条轨迹中学习未知对称群的方法，以达到与已知对称性情形相同的优化长度。
This paper proposes a provable two-stage pipeline that distills nonlinear dynamical systems into compact linear state-space models using convex optimization, with theoretical guarantees and experiments on LDS benchmarks and MuJoCo.
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。
本文介绍了上下文世界建模（ICWM），这是一个使机器人策略能够从自身生成的交互中推断系统变量的框架，通过将系统识别视为一个上下文自适应问题，无需参数更新即可适应新的配置。在模拟和真实世界实验中，它在处理新的相机视角时优于标准的VLA基线。
本文提出了一类时变深度状态空间模型，其动态特性通过基函数展开进行学习，从而能够自适应建模切换系统。该方法在合成切换数据和语音去噪任务上均优于时不变模型。
本文扩展了端口-哈密顿神经网络（PHNNs）到偏微分方程（PDEs）中，用于从数据中学习非线性弦动力学。该方法能够同时恢复哈密顿量和耗散，在准确性和可解释性方面优于非物理信息基线方法。