基于几何约束从稀疏观测中学习随机动力学

Research Paper#Stochastic Systems, Machine Learning, Geometric Deep Learning🔬 Research|分析: 2026年1月3日 18:40•
发布: 2025年12月29日 16:06
•
1分で読める
•ArXiv

分析

本文解决了从稀疏、欠采样数据中学习随机系统动力学的挑战。它引入了一个新的框架，结合了随机控制和几何论证，以克服现有方法的局限性。该方法对于过阻尼朗之万系统特别有效，与现有技术相比，表现有所提高。结合几何归纳偏见是一个关键贡献，为随机系统识别提供了有希望的方向。
引用 / 来源
查看原文
"Our method uses geometry-driven path augmentation, guided by the geometry in the system's invariant density to reconstruct likely trajectories and infer the underlying dynamics without assuming specific parametric models."
A
ArXiv2025年12月29日 16:06
* 根据版权法第32条进行合法引用。
较旧

Panel Coupled Matrix-Tensor Clustering Model with Applications to Asset Pricing

较新

Transitioning late-time cosmology with the Hubble parameterization

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv