标签
PR-Smoother是一种用于数据同化的摊销平滑器，通过学习未来条件的修正来保持预设的模拟器，以捕获非高斯后验。它适用于高维系统，并仅从观测中支持联合状态、参数和传感器偏差推断。
本文介绍了一种可分离神经网络架构（SNA），这是一种结合神经逼近与张量分解的函数类，用于高效求解参数化偏微分方程。该方法在工程应用中（如激光粉末床熔融和材料性能预测）相比传统基于网格的方法实现了显著加速（高达150,000倍）。
本文提出一种多模态学习的信息论分析，揭示了捕捉样本特定交互的必要性，并提出了DMIL范式，通过变分分解和微调显式建模和学习这些交互，实现了优越性能。