.png){kind=icon}
返回
Deep latent force models: ODE-based process convolutions for Bayesian deep learning
.png){kind=icon}
OA
AI
DOI：10.1007/s10994-025-06824-y.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对具有强不确定性量化的强非线性动态系统行为进行建模是一项具有挑战性的任务，通常需要专门针对具体问题设计的方法。我们介绍了一种领域无关模型，用于解决该问题，称为深度潜在力模型（DLFM），它是一种在各层具有物理信息核的深度高斯过程，通过过程卷积框架从常微分方程中推导得出。提出了DLFM的两种不同表述形式，分别利用权重空间和高斯过程近似，以及基于变分诱导点的近似，两者均适用于双重随机变分推断。我们提供了实证证据，证明DLFM能够捕捉高度非线性现实世界多输出时间序列数据中的动态特性。此外，我们发现DLFM在基准单变量回归任务上能够达到与一系列非物理信息概率模型相当的性能。我们还通过实证评估了诱导点框架对LFM基模型外推能力产生的负面影响。
Keyword:
Gaussian processes
Physics-informed machine learning
Bayesian deep learning
Probabilistic machine learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架OAAI
OAAI分享收藏Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting告密者: 超越长序列时间序列预测的高效变压器
OAAI
OAAI分享收藏分享收藏分享收藏PhysioBank, PhysioToolkit, and PhysioNet - Components of a new research resource for complex physiologic signalsPhysioBank，PhysioToolkit和PhysioNet-复杂生理信号的新研究资源的组成部分.png)
CIRCULATIONOAAI
CIRCULATIONIF38.6
OAAI分享收藏
查看更多内容