Graph Neural Controlled Differential Equations for Traffic Forecasting
Yonsei University（延世大学）
交通量预测是机器学习领域最热门的时空任务之一。该领域的一种流行方法是将图卷积网络和递归神经网络相结合用于时空处理。有激烈的竞争和许多新的方法已经提出。本文提出了时空图神经控制微分方程（STG-NCDE）方法。神经控制微分方程（NCDE）是处理序列数据的突破性概念。我们扩展了这一概念，设计了两个NCDE：一个用于时间处理，另一个用于空间处理。然后，我们将它们合并到一个框架中。我们使用6个基准数据集和20个基线进行实验。STG-NCDE在所有情况下都显示出最好的准确性，超过了所有这20个基线。
2021-12-07 cs.AI cs.LG
TANDEM: Temporal Attention-guided Neural Differential Equations for Missingness in Time Series Classification
University of California, Los Angeles（加州大学洛杉矶分校）；Ulsan National Institute of Science and Technology（蔚山科学技术院）
本文提出TANDEM框架，通过注意力机制整合观测数据、插值控制路径和连续潜在动态，提升时序分类中缺失数据的处理能力，实验显示其优于现有方法。
2026-07-02 cs.AI cs.LG
Temporal Lifting as Latent-Space Regularization for Continuous-Time Flow Models in AI Systems
Red Dawn Academic Press（红日学术出版社）
本文提出了一种时间提升方法，用于连续时间流模型中的潜在空间正则化，以稳定物理信息神经网络等人工智能系统架构。
2026-01-27 cs.AI cs.LG
ConTIG: Continuous Representation Learning on Temporal Interaction Graphs
Xiamen University（厦门大学）；University of Technology Sydney（悉尼科技大学）；Monash University（莫纳什大学）
时间交互图（TIG）上的表示学习是对复杂网络进行建模，其中交互的动态演化出现在广泛的问题中。现有的TIG动态嵌入方法仅在交互发生时离散地更新节点嵌入。它们未能捕捉到节点嵌入轨迹的连续动态演化。在本文中，我们提出了一个两模块的框架命名为ConTIG，连续表示方法，捕捉节点嵌入轨迹的连续动态演变。我们的模型有两个基本模块，利用动态网络中的三重因素，包括最新的交互，邻居特征和固有特征。在第一个更新模块中，我们采用连续推理块来学习节点的状态轨迹，通过使用常微分方程从节点对之间的时间相邻的交互模式中学习。在第二个转换模块中，我们引入了一个自我注意力机制，通过聚集历史时间交互信息来预测未来的节点嵌入。实验结果表明，ConTIG算法在时间链接预测、时间节点推荐和动态节点分类等任务上优于一系列现有的算法，特别是在长时间间隔交互预测方面。
2021-09-27 cs.AI cs.LG cs.SI
On The Temporal Domain of Differential Equation Inspired Graph Neural Networks
University of Cambridge（剑桥大学）；University of British Columbia（不列颠哥伦比亚大学）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
针对现有 DE-GNNs 仅依赖一阶或二阶时间依赖的限制，本文提出 TDE-GNN，通过神经扩展学习更广泛的时间动态，并在多个图基准上验证其优于预定义动态模型。
2024-01-20 cs.LG
Continuous Temporal Graph Networks for Event-Based Graph Data
Xi’an Jiaotong University（西安交通大学）；LMU Munich（慕尼黑大学）；Siemens AG（西门子股份公司）；CRRC Zhuzhou Institute Co., Ltd.（中车株洲所有限公司）
时态图数据的连续时间动态建模越来越受到人们的关注。以前的方法通过指定神经网络的离散层将时间演化的关系信息编码为低维表示，而真实世界的动态图通常随时间连续变化。因此，我们提出了连续时态图网络（CTGN）来捕获时态图数据的连续动态。我们使用的链接开始时间戳和链接持续时间作为不断变化的信息来模拟节点的连续动态。其核心思想是使用神经常微分方程（ODE）来描述动态图上节点表示的连续动态性。利用一种新的图神经网络对常微分方程进行参数化。现有的动态图网络可以看作是CTGN的一种特殊离散化。在转换和归纳任务上的实验结果证明了我们所提出的方法在竞争基线上的有效性。
2022-05-31 cs.LG
Learning Long Range Spatio-Temporal Representations over Continuous Time Dynamic Graphs with State Space Models
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Indian Institute of Science（印度科学研究院）
提出一种基于状态空间模型的连续时间动态图框架（CTDG-SSM），通过拓扑感知的高阶多项式投影算子（CTT-HiPPO）实现长程时空信息传播，在动态链接预测、节点分类和序列分类任务上取得最优性能。
2026-06-04 cs.AI cs.LG
Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation
University of Texas Rio Grande Valley（德克萨斯大学里奥格兰德河谷分校）；University of Maryland（马里兰大学）；University of Pittsburgh（匹兹堡大学）；Texas A&M University - Corpus Christi（德克萨斯农工大学科珀斯克里斯蒂分校）；Emory University（埃默里大学）；Lehigh University（利哈伊大学）；University of Illinois at Chicago（芝加哥伊利诺伊大学）；University of Southern California（南加州大学）
本研究提出STE-ODE框架，利用常微分方程和有向节点嵌入捕捉脑结构-效应网络的动态相互作用，并在HCP和OASIS数据集上验证了其在临床表型预测中的优势。
2024-05-21 cs.AI cs.LG
Temporal Dynamic Model for Resting State fMRI Data: A Neural Ordinary Differential Equation approach
University of Michigan（密歇根大学）
本文的目的是提供一个时间动态模型的静息状态功能磁共振成像（fMRI）的轨迹预测未来的大脑图像的基础上给定的序列。为此，我们提出了一种模型，该模型利用表征学习和神经常微分方程（Neural ODE）将fMRI图像数据压缩为潜在表征，并学习预测微分方程的轨迹。采用高斯混合模型对隐空间进行分析。学习的fMRI轨迹嵌入可以用于解释轨迹的方差，并预测每个受试者的人类特征。该方法对整个预测轨迹实现了平均0.5的空间相关性，并为进一步的分析提供了训练好的ODE参数。
2020-11-16 cs.LG eess.SP
A Temporal Kernel Approach for Deep Learning with Continuous-time Information
Walmart Labs（沃尔玛实验室）；Instacart
顺序深度学习模型，如RNN、因果CNN和注意力机制，不容易消耗连续时间信息。如我们所示，离散化时态数据会导致不一致，即使是简单的连续时间过程。当前的方法通常以启发式方式处理时间，以与现有的深度学习架构和实现一致。在本文中，我们提供了一种使用深度学习工具来表征连续时间系统的原则性方法。值得注意的是，所提出的方法适用于所有主要的深度学习架构，并且只需要对实现进行很少的修改。关键的见解是通过将神经网络与时间内核组合来表示连续时间系统，其中我们从最近对高斯过程和神经切线核的深度学习的理解中获得了直觉。为了表示时间核，我们引入了随机特征方法，并将核学习问题转换为重新参数化下的谱密度估计。我们进一步证明了收敛性和一致性的结果，即使时间内核是非平稳的，和谱密度是错误的。模拟和真实数据实验表明，我们的时间内核方法在广泛的设置经验的有效性。
2021-03-28 cs.LG
Finite-Time Convergence of Continuous-Time Optimization Algorithms via Differential Inclusions
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Mitsubishi Electrics Research Laboratories（三菱电机研究实验室）
在本文中，我们提出了两个不连续的动力系统在连续时间内保证规定的有限时间局部收敛到严格的局部极小值的给定费用函数。我们的方法包括利用一个基于Lyapunov的微分不等式的微分包含，这导致有限时间稳定性，从而有限时间收敛与可证明的边界上的解决时间。特别地，对于上述微分不等式的精确解，稳定时间界也是精确的，从而实现了规定的有限时间收敛。因此，我们构造了一类不连续的动力系统，二阶的费用函数，作为连续时间优化算法的有限时间收敛和规定的收敛时间。最后，我们说明我们的结果Rosenbrock函数。
2019-12-18 cs.LG math.OC stat.ML
Time-Continuous Modeling for Temporal Affective Pattern Recognition in LLMs
School of Computer Science Bina Nusantara University East Jakarta, Indonesia（计算机科学学院 印尼国立宾努斯大学 東雅加達）
本文提出利用物理信息神经网络，通过时间连续建模实现大语言模型中情感模式识别，为可解释对话建模提供新方法。
2026-01-18 cs.AI cs.ET cs.HC
Temporal-Difference Networks for Dynamical Systems with Continuous Observations and Actions
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
时间差分（TD）网络是一类预测状态表示，它使用成熟的TD方法来学习部分可观测动态系统的模型。以前的研究与TD网络只处理与有限集的观察和行动的动力系统。我们提出了一个学习TD网络表示的动态系统的连续观测和行动的算法。我们的研究结果表明，该算法是能够学习的几个噪声连续动态系统的准确和鲁棒的模型。这里提出的算法是学习连续动态系统的预测表示的第一个完全增量的方法。
2012-05-09 cs.LG stat.ML
Continuous-Time Sequential Recommendation with Temporal Graph Collaborative Transformer
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；University of California, Davis（加利福尼亚大学戴维斯分校）；Fudan University（复旦大学）；Pinterest Inc.（Pinterest公司）
为了模拟用户偏好的演化，我们应该学习基于时间排序的物品购买序列的用户/物品嵌入，这被定义为顺序推荐（SR）问题。现有的方法利用顺序模式来建模项转换。然而，他们中的大多数人忽略了关键的时间协作信号，这是潜在的不断发展的用户-项目交互和共存的顺序模式。因此，我们提出统一的序列模式和时间协同信号，以提高推荐的质量，这是相当具有挑战性的。首先，难以同时编码序列模式和协作信号。其次，它是不平凡的，以表达协同信号的时间效应。因此，我们设计了一个新的框架时间图顺序推荐（TGSRec）在我们定义的连续时间二分图。在TGSRec中提出了一种新的时间协作转换器（TCT）层，该层通过采用一种新的协作注意机制，改进了自注意力机制。TCT层可以同时捕获来自用户和项目的协作信号，并考虑序列模式中的时间动态。我们传播的信息从TCT层的时间图统一的序列模式和时间的合作信号。在5个数据集上的实证结果表明，TGSRec显著优于其他基线，在Recall@10和MRR上平均分别提高了22.5%和22.1%。
2021-08-22 cs.AI cs.IR cs.LG
TG-GAN: Continuous-time Temporal Graph Generation with Deep Generative Models
George Mason University（乔治梅森大学）；Beijing University of Posts and Telecommunications（北京邮电大学）
最近正在积极开发的静态图的深度生成模型在分子设计等领域取得了重大成功。然而，许多现实世界的问题涉及时序图，其拓扑结构和属性值随时间动态演变，包括重要的应用，如蛋白质折叠，人类移动网络和社交网络增长。到目前为止，用于时间图的深度生成模型尚未得到很好的理解，并且用于静态图的现有技术不足以用于时间图，因为它们不能1）按时间顺序编码和解码连续变化的图拓扑，2）通过时间约束强制有效性，或者3）确保信息无损时间分辨率的效率。为了解决这些挑战，我们提出了一个新的模型，称为“时间图生成对抗网络"（TG-GAN）的连续时间时间图生成，通过建模截断时间随机游走及其组成的深层生成过程。具体来说，我们首先提出了一种新的时间图生成器，联合模型截断边序列，时间预算，和节点属性，与新的激活函数，执行时间有效性约束下经常性架构。此外，提出了一种新的时间图编码，它结合了时间和节点编码操作的递归架构，以区分所产生的序列从一个新开发的截断时间随机游走采样器采样的真实的。在合成数据集和真实数据集上的大量实验表明，TG-GAN在效率和有效性方面明显优于比较方法。
2020-06-09 cs.LG stat.ML
Continuous-time Particle Filtering for Latent Stochastic Differential Equations
Borealis AI；Simon Fraser University（西蒙弗雷泽大学）
粒子滤波是一种标准的蒙特卡罗方法，适用于各种顺序推理任务。粒子滤波器的关键组成部分是一组具有重要性权重的粒子，这些重要性权重充当某些随机过程的真实后验分布的代理。在这项工作中，我们提出了连续的潜在粒子滤波器，一种方法，扩展粒子滤波到连续时间域。我们演示了如何连续的潜在粒子过滤器可以被用来作为一个通用的插件替代推理技术依赖于一个学习的变分后验。我们的实验与不同的模型家族的基础上潜在的神经随机微分方程表现出优越的性能连续时间粒子滤波的推理任务，如似然估计和顺序预测的各种随机过程。
2022-09-01 cs.LG
Coden: Efficient Temporal Graph Neural Networks for Continuous Prediction
College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学）
Coden是一种为连续预测设计的高效时序图神经网络，通过克服现有模型的复杂性瓶颈，实现了动态图的高效学习和预测。
2026-02-13 cs.LG
Learning Continuous-Time Dynamics by Stochastic Differential Networks
连续时间随机动力学的学习是偶发时间序列建模中的一个基本问题，其观测值在时间和维度上都是不规则的和稀疏的。对于一个给定的系统，其潜在状态和观测数据是高维的，它通常是不可能得到一个精确的连续时间随机过程来描述系统的行为。为了解决上述问题，我们采用变分贝叶斯方法，并提出了一个灵活的连续时间随机递归神经网络称为变分随机微分网络（VSDN），它嵌入了零星时间序列的复杂动力学神经随机微分方程（ESDN）。VSDNs通过深度神经网络捕获潜在状态和观测之间的随机依赖性。我们还将两个差异证据下限有效地训练模型。通过全面的实验，我们证明了VSDN优于最先进的连续时间深度学习模型，并在零星时间序列的预测和插值任务上取得了显着的性能。
2021-04-29 cs.LG stat.ML
Discovering Communities in Continuous-Time Temporal Networks by Optimizing L-Modularity
UCBL, CNRS, INSA Lyon, LIRIS, UMR5205, F-69622 Villeurbanne, France；UCBL \& IUF, CNRS, LIRIS UMR5205, F-69622 Villeurbanne, France
针对连续时间时序网络的社区检测需求，该研究提出通过贪心优化纵向模块度的LAGO方法，可精准捕捉节点社区进出时刻，在合成与真实数据集上验证了其高效挖掘时序拓扑一致社区的能力。
2025-10-01 cs.LG cs.SI
Continuously Evolving Graph Neural Controlled Differential Equations for Traffic Forecasting
针对交通预测中现有方法忽略连续时间依赖与动态空间依赖的问题，提出持续演化图神经受控微分方程CEGNCDE，通过持续演化图生成器与GNCDE框架同时捕捉两类依赖，在多项指标上优于当前最优方法。
2024-01-26 cs.LG
Differential Privacy for Eye Tracking with Temporal Correlations
University of Tübingen（蒂宾根大学）；University of Siegen（锡根大学）
新一代盔装显示器，如VR和AR眼镜，正在进入市场，已经集成了眼动追踪，并有望在众多应用中实现新颖的人机交互方式。然而，由于眼动特性包含生物特征信息，因此必须妥善处理隐私问题。诸如差分隐私机制的隐私保护技术最近已被应用于从这种显示器获得的眼睛运动数据。然而，标准的差分隐私机制由于眼睛运动观测之间的时间相关性而易受攻击。在这项工作中，我们提出了一种新的变换编码为基础的差分隐私机制，以进一步适应眼动特征数据的统计，并比较各种低复杂度的方法。我们扩展了一种差分隐私机制--傅立叶微扰算法，并纠正了其证明中的一个尺度错误。此外，我们说明了显着减少样本的相关性，除了查询的敏感性，这提供了最好的效用隐私权衡眼动追踪文献。我们的研究结果提供了显着高的隐私，而没有任何实质性的损失，在分类准确性，同时隐藏个人标识符。
2021-12-20 cs.CR cs.HC cs.LG
DYNA : Dynamic Episodic Memory Networks for Augmenting Large Language Models with Temporal Knowledge Graphs in Continuous Learning
Department of Computer Engineering and Information Technology, University of Qom（卡姆大学计算机工程与信息科技系）
提出DYNA框架，通过时间知识图谱作为外部可更新记忆，增强冻结的大语言模型，在三个时间召回任务上减少约7%的灾难性遗忘并提升约5%的时间排序能力。
2026-06-16 cs.AI cs.CL cs.LG
Differential Equations for Continuous-Time Deep Learning
Emory University（埃默里大学）
本文介绍基于神经常微分方程的连续时间深度学习方法，面向熟悉微分方程的读者，并通过三个示例展示neural ODEs为深度学习提供新见解和高效算法基础的作用。
2024-01-08 cs.LG math.DS
Continuous Depth Recurrent Neural Differential Equations
Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
递归神经网络（RNN）在序列标记任务和序列数据方面带来了很多进步。然而，当序列中的观测是不规则采样的，其中观测以不规则的时间间隔到达时，它们的有效性是有限的。为了解决这个问题，基于神经常微分方程（NODE）引入了RNN的连续时间变量。它们使用隐藏状态随时间的连续变换来学习更好的数据表示，同时考虑到观察之间的时间间隔。然而，它们的能力仍然有限，因为它们使用离散变换和序列中输入的固定离散层数（深度）来产生输出观察。我们打算通过提出基于微分方程的RNN来解决这一限制，该微分方程对深度和时间上的连续变换进行建模，以预测序列中给定输入的输出。具体来说，我们提出了连续深度递归神经微分方程（CDR-NDE），它通过在时间和深度维度上不断进化隐藏状态来推广RNN模型。CDR-NDE在每个维度上考虑两个单独的微分方程，并交替地模拟时间和深度方向的演化。我们还提出了基于偏微分方程的CDR-NDE-热模型，该模型将隐态的计算视为求解随时间变化的热方程。我们通过与现实世界序列标记问题和数据的最新RNN模型进行比较，证明了所提出模型的有效性。
2022-12-28 cs.LG
Spatio-Temporal Prediction of Unsteady Airfoil Aerodynamics Using Augmented Graph Neural Ordinary Differential Equations with Exogenous Controls
German Aerospace Center (DLR)（德国航空航天中心）；Airbus Operations（空客运营公司）
研究非定常翼型空气动力学的时空预测问题，核心方法是将图神经网络与增强神经常微分方程结合形成GNODE，主要贡献是该方法能稳定准确地预测表面力，适合建模含外部输入的非线性时空系统。
2026-07-22 cs.LG physics.flu-dyn
Neural Differential Equations for Learning to Program Neural Nets Through Continuous Learning Rules
The Swiss AI Lab, IDSIA（瑞士人工智能实验室（IDSIA））；USI（意大利瑞士大学）；SUPSI（瑞士意大利语区应用科学大学）；KAUST（阿卜杜拉国王科技大学）
神经元常微分方程作为深度残差神经网络的连续时间模型引起了人们的广泛关注，并对递归神经网络进行了大量的扩展。自20世纪80年代以来，常微分方程也被用于推导NN学习规则的理论结果，例如，Oja规则和主成分分析之间的著名联系。这样的规则通常表示为具有直接ODE对应物的加性迭代更新过程。在这里，我们引入了一种新的学习规则和神经ODE的组合，以构建连续时间序列处理网络，该网络学习在其他网络的快速变化的突触连接中操纵短期记忆。这就产生了快速加权编程器和线性Transformers的连续时间对应物。我们的新模型在各种时间序列分类任务上优于现有的基于神经控制微分方程的最佳模型，同时还解决了其基本的可扩展性限制。代码是公开的。
2022-10-14 cs.LG
Continuous Temporal Representations of Event-Based Signals via Interference-Based Wave Modeling
Department of Engineering, University of Borås（于厄萨大学工程系）
提出基于干涉波表示的连续时间建模框架，通过复值潜波场编码事件驱动信号的时间结构，实现高效梯度优化和鲁棒特征提取，在sEMG数据上优于纯实值表示。
2026-06-01 cs.LG
Determinism in the Undetermined: Deterministic Output in Charge-Conserving Continuous-Time Neuromorphic Systems with Temporal Stochasticity
School of Mathematical Sciences, Institute of Natural Sciences（数学科学学院，自然科学院）；MOE-LSC, Shanghai Jiao Tong University, Shanghai, China（教育部-上海交通大学联合实验室，上海交通大学，上海，中国）；School of Electronic Information（电子信息学院）；Electrical Engineering, Shanghai Jiao Tong University, Shanghai, China（电气工程，上海交通大学，上海，中国）；Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室，上海，中国）
本文提出了一种连续时间框架，通过结合电荷守恒定律与最小神经元约束，实现异步神经形态系统中确定性输出，解决了时间随机性带来的挑战，并建立了电荷守恒SNN与量化人工神经网络的精确对应关系。
2026-03-16 cs.LG
ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
ProGen提出利用随机微分方程和扩散生成模型进行概率时空预测，通过整合去噪分数模型与图神经网络，在四个交通数据集上超越现有确定性与概率模型。
2024-11-02 cs.LG stat.ML
Nonlocal Bayesian Modeling of Continuous Spatio-Temporal Dynamics
Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology (KAIST)（工业与系统工程系，韩国科学技术院）
提出NLBST模型，通过坐标基展开和连续时间ODE结合非局部积分微分方程，实现不规则观测下的连续时空预测与不确定性量化。
2026-06-15 cs.LG stat.ML
Specific Differential Entropy Rate Estimation for Continuous-Valued Time Series
Uniformed Services University（美国三军大学）
我们介绍了一种方法，通过扩展的微分香农熵率量化的连续值时间序列的固有不可预测性。我们的扩展，特定熵率，量化了与特定状态相关的预测不确定性的数量，而不是所有状态的平均值。我们将特定的熵率与流行的“复杂性”措施，如近似和样本熵。我们提供了一个数据驱动的方法来估计所观察到的时间序列的特定熵率。最后，我们考虑三个案例研究估计特定的熵率从合成和生理数据相关的心率变异性的分析。
2016-06-08 cs.LG stat.ME
Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations
Pohang University of Science and Technology（浦项科技大学）；Amazon.com Inc.（亚马逊公司）
本文提出解耦标记时间点过程框架，利用神经常微分方程将随机过程分解为不同事件的演化影响，以同时解决密度估计和生存率计算问题，并在真实数据集上验证其优于现有方法。
2024-06-10 cs.LG stat.ML
Significant Ties Graph Neural Networks for Continuous-Time Temporal Networks Modeling
College of Computer；Information Science Southwest University Chongqing, China；Information Science Southwest University Chongqing, China , corresponding author
时态网络适合于对复杂演化系统进行建模。它具有广泛的应用，例如社会网络分析、推荐系统和流行病学。近年来，对这类动态系统的建模研究引起了许多领域的关注.然而，大多数现有的方法采取离散的时间网络的快照和建模具有同等重要性的所有事件。本文提出了重要关系图神经网络（STGNN），一个新的框架，捕捉和描述重要的关系。为了更好地模拟交互的多样性，STGNN引入了一种新的聚合机制来组织最重要的历史邻居的信息，并自适应地获得节点对的重要性。在四个真实网络上的实验结果证明了该框架的有效性。
2022-11-12 cs.LG cs.SI
CT-OT Flow: Estimating Continuous-Time Dynamics from Discrete Temporal Snapshots
Toyota Central R&D Labs., Inc.（丰田中央研发实验室）
提出CT-OT Flow框架，通过部分最优对齐和核平滑从离散快照重建连续时间动态，在合成和真实数据上降低分布与轨迹误差。
2026-05-22 cs.LG stat.ML
Continuous Temporal Learning of Probability Distributions via Neural ODEs with Applications in Continuous Glucose Monitoring Data
Universidad Autónoma de Madrid（马德里自动大学）；Harvard University（哈佛大学）
本文提出一种结合MMD非参数估计与Neural ODE的高斯混合概率模型，用于捕捉连续时间随机过程的演化，在26周临床试验中有效分析CGM数据分布变化并实现严格的纵向比较。
2025-09-17 cs.LG math.DS stat.AP
Persistent learning signals and working memory without continuous attractors
Champalimaud Centre for the Unknown（尚帕利莫未知中心）；Stony Brook University（石溪大学）
本研究发现周期和准周期吸引子可支持长时程关系学习，基于此提出的人工RNN初始化方案在时间动态学习任务中表现更优，还提出了无需环形吸引子的头部方向维持机制。
2023-08-24 cs.LG cs.NE nlin.AO
