Inverting Non-Injective Functions with Twin Neural Network Regression
本文提出了一种确定性框架，通过双神经网络回归解决非单射函数的多值反向映射问题，适用于数学方程和数据定义的问题。
2026-02-18 cs.LG cs.RO
A Fuzzy-set-based Joint Distribution Adaptation Method for Regression and its Application to Online Damage Quantification for Structural Digital Twin
Politecnico di Milano（米兰理工大学）；Beihang University（北京航空航天大学）
在线损害量化遭受不充分的标记数据，削弱了其准确性。在这种情况下，采用对来自类似结构/损伤的历史标记数据或模拟数字孪生数据的领域自适应来辅助当前诊断任务将是有益的。然而，大多数领域自适应方法是为分类而设计的，并且不能有效地解决损伤量化，这是一个具有连续实值标签的回归问题。本研究首先提出一种新的领域自适应方法--基于在线模糊集的回归联合分布自适应方法。通过模糊集将连续实值标签转换为模糊类别标签，同时度量边缘和条件分布差异，实现损伤量化任务的领域自适应。基于该方法的优越性，提出了一种基于领域自适应的在线损伤量化框架。最后，以某型直升机为例，进行了不同损伤位置、不同损伤类型和从仿真到试验的3种损伤领域自适应，验证了该方法在真实环境下能够显著提高损伤量化的准确性。预计该方法将应用于考虑个体差异的船队级数字孪生。
2023-02-07 cs.CE cs.LG
TRKM: Twin Restricted Kernel Machines for Classification and Regression
Department of Mathematics, Indian Institute of Technology Indore（印度理工学院印度尔分校数学系）
TRKM通过引入共轭特征对偶性提升分类与回归性能，有效应对复杂数据挑战。
2025-12-12 cs.LG
Scalable Twin Neural Networks for Classification of Unbalanced Data
Indian Institute of Technology Delhi（德里印度理工学院）
双支持向量机（TWSVM）已经成为一种有效的替代支持向量机（SVM）的学习不平衡数据集。TWSVM通过解决几个较小的问题来学习两个非平行的分类超平面。然而，它不适合大型数据集，因为它涉及矩阵运算。在本文中，我们讨论了一个双神经网络（双NN）的结构，从大型非平衡数据集的学习。Twin NN还学习最佳特征映射，从而更好地区分类别。我们还提出了一个扩展的多类数据集的网络架构。本文中提出的结果表明，双神经网络的推广和规模以及大型不平衡数据集。
2018-01-27 cs.LG
Generating Digital Twins with Multiple Sclerosis Using Probabilistic Neural Networks
Unlearn.AI, Inc.（Unlearn.AI公司）
多发性硬化症（MS）是一种神经退行性疾病，其特征在于一组复杂的临床评估。我们使用一种称为条件限制玻尔兹曼机（CRBM）的无监督机器学习模型来学习通常用于表征MS临床试验中受试者及其疾病进展的协变量之间的关系。CRBM能够生成数字孪生，数字孪生是具有与实际受试者相同的基线数据的模拟受试者。数字双胞胎允许对疾病进展进行受试者水平的统计分析。CRBM是使用来自2395名受试者的数据进行训练的，这些受试者参加了MS三种主要亚型的临床试验的安慰剂组。我们讨论了CRBM是如何训练的，并表明该模型生成的数字双胞胎在统计学上与实际受试者的数据在许多方面没有区别。
2020-04-19 cs.LG q-bio.QM stat.ML
Data-driven Discovery of Digital Twins in Biomedical Research
Inserm U1331, Institut Curie Saint-Cloud, France（法国国家医学研究院U1331，圣克鲁医院）；Aalto University Espoo, Finland（芬兰艾尔托大学）
该研究综述了从生物时间序列自动推断数字孪生的两类主流方法，按八项挑战评估发现稀疏回归（尤其贝叶斯框架下）优于符号回归，指出深度学习与大语言模型的潜力，提出结合机制基础、贝叶斯量化与深度学习的混合框架方向及配套基准测试框架。
2025-09-01 cs.LG q-bio.QM stat.ML
A Twin Neural Model for Uplift
University of Montreal（蒙特利尔大学）；TD Insurance（道明保险）；École Polytechnique de Montréal（蒙特利尔综合理工学院）
条件处理效应建模是一种特殊情况。这种模型处理特定因素的因果推理，例如营销干预或医疗。在实践中，这些模型是建立在随机临床试验的个体数据基础上的，其目标是根据提升将参与者划分为异质组。大多数现有的方法是适应随机森林隆起的情况下。在文献中已经提出了几个分裂标准，都依赖于最大化异质性。然而，在实践中，这些方法易于过拟合。在这项工作中，我们为提升建模带来了新的愿景。我们提出了一个新的损失函数定义利用贝叶斯解释的相对风险的连接。我们的解决方案是为一个特定的双神经网络架构，允许共同优化治疗和控制个人的边际成功概率。我们表明，这个模型是一个推广的隆起逻辑交互作用模型。我们修改的随机梯度下降算法，使结构稀疏的解决方案。这在很大程度上有助于训练我们的提升模型。我们表明，我们提出的方法是有竞争力的国家的最先进的模拟设置和大规模随机实验的真实数据。
2021-05-11 cs.LG stat.ML
Attentive Neural Processes and Batch Bayesian Optimization for Scalable Calibration of Physics-Informed Digital Twins
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）
基于物理信息的动态系统模型是构建环境的数字孪生的关键组成部分。这些数字孪生可用于设计节能基础设施，但必须进行适当校准，以准确反映系统行为，用于下游预测和分析。现代建筑物的动力系统模型通常由大量参数描述，并且在仿真期间产生显著的计算开销。为了在不进行过度模拟的情况下处理数字孪生的大规模校准，我们提出了ANP-BBO：一种利用注意神经过程（ANP）的可扩展和可并行的批量贝叶斯优化（BBO）方法。
2021-06-29 cs.AI cs.LG math.OC
Digital Twins for Patient Care via Knowledge Graphs and Closed-Form Continuous-Time Liquid Neural Networks
SORG Orthopaedic Research Group（SORG骨科研究组）；Massachusetts General Hospital（麻省总医院）
本文提出将患者健康数据构建为知识图谱，并结合闭式连续时间液态神经网络进行实时分析，以降低计算成本与建模复杂性，从而推动数字孪生在患者照护中的应用。
2023-07-08 cs.LG
Probabilistic Digital Twin for Misspecified Structural Dynamical Systems via Latent Force Modeling and Bayesian Neural Networks
Department of Applied Mechanics, Indian Institute of Technology Delhi（印度理工学院德里分校应用力学系）
本文提出一种基于潜在力建模和贝叶斯神经网络的概率数字孪生框架，用于误指定结构动力学系统的响应预测，通过联合估计模型误差和系统状态以提升预测准确性与鲁棒性。
2025-11-27 cs.LG stat.AP stat.ML
Enhanced multi-fidelity modelling for digital twin and uncertainty quantification
Indian Institute of Technology (IIT) Delhi（印度理工学院德里分校）；The University of Glasgow（格拉斯哥大学）
针对数字孪生中数据保真度低和传感器数据稀缺导致代理模型学习困难的问题，提出一种结合PCFE与GP的H-PCFE多保真度代理模型框架及其深度级联版本deep-HPCFE，有效提升了不确定性量化和数字孪生系统跟踪的准确性。
2023-06-26 cs.LG stat.ML
PhysiNet: A Combination of Physics-based Model and Neural Network Model for Digital Twins
Advanced Manufacturing Research Centre, University of Sheffield（谢菲尔德大学先进制造研究中心）
数字孪生作为物理系统或过程的实时数字对应物，用于系统仿真和优化。神经网络是通过使用数据来构建数字孪生模型的一种方式，特别是当基于物理的模型不准确或甚至不可用时。然而，对于一个新设计的系统，它需要时间来积累足够的数据神经网络模型，只有一个近似的基于物理的模型。为了充分利用这两种模型的优势，提出了一种结合物理模型和神经网络模型的预测模型，以提高对系统整个生存周期的预测精度。所提出的混合模型（PhysiNet）能够自动组合模型并提高其预测性能。实验表明，PhysiNet优于基于物理的模型和神经网络模型。
2021-12-02 cs.LG cs.SY eess.SY
Deep Neural Operator Driven Real Time Inference for Nuclear Systems to Enable Digital Twin Solutions
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文研究了 DeepONet 作为核能系统数字孪生代理模型的可行性，发现其在解决粒子输运问题时展现出高泛化能力、预测精度和计算效率，优于传统 ML 方法，适合实时 DT 推理，为核工程领域代理建模技术的应用迈出重要一步。
2024-04-28 cs.LG stat.CO stat.ML
The Artificial Neural Twin -- Process Optimization and Continual Learning in Distributed Process Chains
Fraunhofer Institute for Integrated Circuits IIS（弗劳恩霍夫集成电路研究所）
提出人工神经孪生方法，结合模型预测控制、深度学习和传感器网络，通过可微数据融合和反向传播损失梯度，实现分布式过程链的过程优化与AI模型微调，并在Unity虚拟塑料回收场景中验证。
2024-03-27 cs.LG
On the rate of convergence of a deep recurrent neural network estimate in a regression problem with dependent data
Technische Universität Darmstadt（达姆施塔特工业大学）；Concordia University（康考迪亚大学）
考虑了一类非独立数据的回归问题。正则性假设的依赖性的数据进行了介绍，它表明，在适当的结构假设的回归函数的深度循环神经网络估计是能够规避灾难的维数。
2020-10-31 cs.LG stat.ML
Filtered Neural Galerkin model reduction schemes for efficient propagation of initial condition uncertainties in digital twins
Courant Institute of Mathematical Sciences（Courant数学科学研究所）；New York University（纽约大学）
提出滤波神经Galerkin模型降阶方法，通过时间推进初始条件不确定性诱导的降阶解分布的均值与协方差，避免高昂的集合传播，在数字孪生不确定性量化中实现超一个数量级的加速。
2025-11-01 cs.LG cs.NA math.NA
When a CBR in Hand is Better than Twins in the Bush
Mälardalen University（梅拉达伦大学）；Drexel University（德雷塞尔大学）
本文在航班延误预测中，通过构建XGB-CBR双胞胎模型，证明了CBR模型在准确性和可解释性上均优于XGBoost，并作为基准评估SHAP和LIME方法。
2023-05-09 cs.AI cs.LG
Global quantitative robustness of regression feed-forward neural networks
Institute for Mathematics, Carl von Ossietzky University Oldenburg（奥尔登堡卡尔·冯·奥西茨基大学数学研究所）
神经网络是许多复杂学习任务不可或缺的模型类。尽管神经网络和许多不同的建立技术的稳定和鲁棒性的训练文献的流行和重要性，从鲁棒统计的经典概念很少被认为是迄今为止在神经网络的上下文中。因此，我们适应的回归故障点的概念，回归神经网络和计算故障点不同的前馈网络配置和污染设置。在一个广泛的模拟研究中，我们比较的性能，测量的样本外损失，由代理的故障率和训练步骤，非鲁棒性和鲁棒性的回归前馈神经网络在过多的不同配置。这些结果确实促使我们在神经网络训练中使用鲁棒的损失函数。
2022-11-18 cs.LG stat.ML
Neural Regression Trees
Carnegie Mellon University（卡内基梅隆大学）
通过分类回归（Regression-via-Classification，RvC）是将回归问题转换为分类问题的过程。RvC的当前方法使用ad-hoc离散化策略并且是次优的。我们提出了一个RvC的神经回归树模型。在这个模型中，我们采用了一个联合优化框架，在这个框架中，我们学习最佳离散化阈值，同时优化树中每个节点的特征。我们通过在两个具有挑战性的回归任务上测试我们的模型，以实证的方式证明了我们模型的有效性，在这两个任务中，我们建立了最先进的技术。
2019-04-03 cs.LG stat.ML
Neural Network Models for Contextual Regression
Department of Statistics, Chulalongkorn University（朱拉隆功大学统计系）
本文提出了一种用于上下文回归的神经网络模型，通过将上下文特征确定主动子模型和拟合模型的算法分离，实现了结构化且可解释的架构，参数更少。数学上证明该架构足以用标准神经网络组件表示上下文线性回归模型，并通过数值实验表明所提模型在参数数量相当的情况下，具有更低的均方误差和更稳定的性能。
2026-05-19 cs.LG stat.ML
Predictive Digital Twins for Thermal Management Using Machine Learning and Reduced-Order Models
HELLA India Automotive Pvt. Ltd.（HELLA印度汽车有限公司）；HELLA GmbH & Co. KGaA（HELLA公司）
针对汽车前照灯散热器热管理，本文融合CFD降阶模型与监督学习构建预测性数字孪生，由神经网络预测最优ROM配置，MAE为54.240且精度最佳。
2025-05-11 cs.LG
Improved generalization with deep neural operators for engineering systems: Path towards digital twin
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Missouri University of Science and Technology（密苏里科技大学）
本研究评估了采用分支/主干架构的深度算子网络在求解ODE、扩散及Burgers方程上的表现，证明其具备高预测精度和零样本泛化能力，突显了神经算子网络在物理系统代理建模与数字孪生开发中的重要潜力。
2024-04-29 cs.LG stat.AP stat.CO
Joint Modeling of Event Sequence and Time Series with Attentional Twin Recurrent Neural Networks
Shanghai Jiao Tong University（上海交通大学）；IBM Research - China（IBM中国研究院）；Georgia Institute of Technology（佐治亚理工学院）
各种真实世界的过程（通过网络）产生的数据序列，其复杂的时间动态需要研究。更特别地，事件时间戳可以携带关于底层网络动态的重要信息，否则这些信息不能从从连续信号均匀采样的时间序列中获得。此外，在大多数复杂的过程中，事件序列和均匀采样的时间序列数据可以相互作用，这使得这两个数据源的联合建模是必要的。针对上述问题，本文利用时间点过程的丰富框架对事件数据进行建模，并通过协同孪生循环神经网络（RNNs）及时更新其强度函数。在所提出的架构中，强度函数由一个以异步事件为输入的RNN和另一个以时间序列为输入的RNN协同调制。此外，为增强模型的可解释性，引入了神经元点过程的注意力机制。具有事件类型和时间戳预测输出层的整个模型可以进行端到端的训练，并允许对强度进行黑盒处理。我们证实了我们的模型在合成数据和三个真实世界的基准数据集的优越性。
2017-03-24 cs.LG
Benchmarking the Neural Linear Model for Regression
University of Cambridge（剑桥大学）
神经线性模型是一种简单的自适应贝叶斯线性回归方法，最近已被用于从贝叶斯优化到强化学习的许多问题。尽管它在这些环境中取得了明显的成功，但据我们所知，还没有系统地探索它在简单回归任务上的能力。在这项工作中，我们的UCI数据集，贝叶斯回归模型的一个流行的基准，以及最近推出的UCI的“差距”数据集，这是更好的测试分布不确定性的特征。我们证明了神经线性模型是一种简单的方法，在这些任务上表现出良好的性能，但需要良好的超参数调整的成本。
2019-12-18 cs.LG stat.ML
Neural Networks as Linear Regression: An Introduction for Statisticians
Department of Mathematics Statistics and Computer Science（数学统计与计算机科学系）；Macalester College（麦克莱斯特学院）；Department of Biostatistics（生物统计学系）；University of Michigan（密歇根大学）
本文从频率学派统计学视角，通过将神经网络近似为线性回归来降低入门门槛，并介绍常见定制化方法作为进一步学习的基础。
2026-06-23 cs.LG stat.ML
Learning Theory of Distribution Regression with Neural Networks
KU Leuven（鲁汶大学）；Hong Kong Baptist University（香港浸会大学）；University of Sydney（悉尼大学）
本文针对分布回归中输入为概率测度导致传统神经网络无法直接使用的问题，提出一种新颖的全连接神经网络框架，建立Borel概率测度空间上泛函的逼近理论，并通过两阶段误差分解技术推导出几乎最优的学习率。
2023-07-07 cs.LG stat.ML
Physics-Informed Neural Network Digital Twin for Dynamic Tray-Wise Modeling of Distillation Columns under Transient Operating Conditions
Department of Chemical Engineering, Veer Surendra Sai University of Technology（维杰·苏雷纳·赛大学化学工程系）；Department of Computer Science & Engineering, Veer Surendra Sai University of Technology（维杰·苏雷纳·赛大学计算机科学与工程系）
本文提出一种融合物理信息的神经网络数字孪生框架，用于蒸馏柱在瞬态条件下的动态塔间建模，通过物理残差项将热力学约束嵌入神经网络损失函数，实现高精度预测和实时控制。
2026-03-25 cs.LG
Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins
Center for Integrated Nanotechnologies（集成纳米技术中心）；Sandia National Laboratories（桑塔纳国家实验室）；Theoretical Division（理论 division）；Los Alamos National Laboratory（洛斯阿拉莫斯国家实验室）；Department of Mechanical Engineering（机械工程系）；Pohang University of Science and Technology（釜山科学技术大学）
本文提出变分深度材料网络，用于材料数字孪生中的鲁棒不确定性量化，通过高效传播不确定性来预测材料行为并验证非线性机械变异性。
2025-12-19 cond-mat.mtrl-sci cs.LG
Graph Neural Network-based Spectral Filtering Mechanism for Imbalance Classification in Network Digital Twin
JNU（京畿大学）
针对5G核心网数字孪生中故障类别偏斜导致的图分类不平衡问题，提出CF-GNN，通过面向类别的特征值与特征向量频谱滤波提升少数类判别能力。
2025-05-15 cs.LG cs.NI
3D attention mechanism for fine-grained classification of table tennis strokes using a Twin Spatio-Temporal Convolutional Neural Networks
University of Bordeaux（波尔多大学）；CNRS（法国国家科学研究中心）；Bordeaux INP（波尔多国立高等物理、数学与信息学院）；University of La Rochelle（拉罗谢尔大学）
本文针对乒乓球击球等低类间变异的视频动作识别问题。双流“孪生”卷积神经网络用于RGB数据和光流的3D卷积。动作识别的时间窗口的分类。我们介绍了3D注意模块，并研究其对分类效率的影响。在运动员的表现的研究的背景下，被认为是一个语料库的特殊行动的乒乓球击球。在网络中使用注意力块加快了训练步骤，并将我们的孪生模型的分类分数提高了5%。我们可视化所获得的功能和注意力和球员的动作和位置之间的相关性的影响。分数比较国家的最先进的动作分类方法和建议的方法与注意力块上的语料库。建议的模型与注意块优于以前的模型没有他们和我们的基线。
2020-11-20 cs.CV cs.HC cs.LG
Sparsified Model Zoo Twins: Investigating Populations of Sparsified Neural Network Models
University of St.Gallen（圣加仑大学）
本文将 magnitude pruning 与 variational dropout 应用于模型动物园种群，系统比较其逐层稀疏化性能、鲁棒性及与原始模型的一致性，并公开发布所有稀疏化孪生模型。
2023-04-26 cs.LG
Efficient Global Robustness Certification of Neural Networks via Interleaving Twin-Network Encoding
Northwestern University（西北大学）；University of Liverpool（利物浦大学）
深度神经网络的鲁棒性最近受到了极大的关注，特别是当被部署在安全关键系统中时，因为分析模型输出在输入扰动下的敏感程度是很重要的。虽然大多数以前的工作集中在输入样本周围的局部鲁棒性，全局鲁棒性的研究，限制在整个输入空间的扰动下的最大输出变化，仍然缺乏。在这项工作中，我们将具有ReLU激活函数的神经网络的全局鲁棒性认证公式化为混合整数线性规划（MILP）问题，并提出了一种有效的方法来解决它。我们的方法包括一种新的交织双网络编码方案，其中神经网络的两个副本并排编码，并在它们之间添加额外的交织依赖关系，以及利用松弛和细化技术来降低复杂度的过近似算法。实验证明了我们的工作的时间效率相比，以前的全球鲁棒性认证方法和我们的过近似的紧密性。闭环控制安全验证的案例研究进行，并证明了我们的方法的重要性和实用性，在安全关键系统中的神经网络的全局鲁棒性。
2022-03-26 cs.LG cs.RO cs.SY
Control of Medical Digital Twins with Artificial Neural Networks
Frankfurt School of Finance and Management（法兰克福金融管理学院）；University of Florida（佛罗里达大学）
本文提出动力学知情的神经网络控制器以解决医学数字孪生中复杂生物模型难以用传统基于物理方法控制的问题，并在基于智能体的模型上验证了其有效性，可扩展至其他复杂动力学系统。
2024-03-18 cs.LG cs.SY eess.SY
Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models
BT Research Labs（BT研究实验室）
提出物理编码残差神经网络（PERNN）架构，通过结合可微物理块与前馈学习块，在低数据需求下提升模型泛化能力，并在自动驾驶转向和气候建模数字孪生任务中超越现有方法。
2025-07-07 cs.LG cs.RO
Crystal Twins: Self-supervised Learning for Crystalline Material Property Prediction
Carnegie Mellon University（卡内基梅隆大学）
机器学习（ML）模型在预测材料性能方面已经取得了广泛的成功。然而，训练准确的ML模型所需的大型标记数据集是难以捉摸的，并且生成计算成本很高。能够在未标记数据上训练ML模型的自监督学习（SSL）框架的最新进展缓解了这个问题，并在计算机视觉和自然语言处理任务中表现出卓越的性能。从SSL的发展中得到启发，我们介绍了双晶（CT）：一种用于晶体材料性质预测的SSL方法。使用一个大型的未标记的数据集，我们预训练图神经网络（GNN）的冗余减少原则，从相同的晶体系统获得的增强实例的图形潜在嵌入。通过在微调GNN用于回归任务时共享预训练的权重，我们显着提高了7个具有挑战性的材料属性预测基准的性能
2022-05-04 cond-mat.mtrl-sci cs.LG
Physics-Embedded Neural ODEs for Sim2Real Edge Digital Twins of Hybrid Power Electronics Systems
Member, IEEE（IEEE会员）；Graduate Student Member, IEEE（IEEE研究生会员）；Senior Member, IEEE（IEEE高级会员）；Fellow, IEEE（IEEE Fellow）；Life Fellow, IEEE（IEEE Life Fellow）
本文提出物理嵌入神经ODE（PENODE），通过事件自动机和已知ODE组件嵌入，实现混合电力电子系统的高精度边缘数字孪生，神经元减少75%，支持FPGA部署。
2025-08-04 cs.LG cs.SY eess.SY
Real-Time Structural Health Monitoring with Bayesian Neural Networks: Distinguishing Aleatoric and Epistemic Uncertainty for Digital Twin Frameworks
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；Korea Institute of Industrial Technology（韩国产业技术研究院）；Kyungpook National University（庆北国立大学）；Korea University of Technology and Education（韩国技术教育大学）
本文提出一种结合PCA、BNN和HMC的实时结构健康监测框架，通过区分随机和epistemic不确定性，实现高精度的应变场重建与实时不确定性量化，推动数字孪生在结构健康监测中的应用。
2025-12-02 cs.LG
Predicting Filter Medium Performances in Chamber Filter Presses with Digital Twins Using Neural Network Technologies
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
针对传统厢式压滤机依赖人工监控、过滤介质退化致效率低的问题，提出机器学习驱动的数字孪生框架，采用循环神经网络预测运行参数和介质寿命，精度优于前馈网络，可优化流程、助力维护。
2025-02-20 cs.CE cs.LG
A Graph Neural Network approach to zero-shot Digital Twins
Aragon Institute of Engineering Research (I3A). Universidad de Zaragoza（阿拉贡工程研究所（I3A）。萨拉戈萨大学）
研究针对传统数字孪生局限提出零样本数字孪生框架，核心是热力学知识图神经网络架构，集成辅助网络并通过闭环数据同化弥合模拟与现实差距，在两种物理状态下测试，能在新几何上精确模拟且满足实时要求并可投影变量。
2026-07-24 cs.AI cs.CV cs.LG
Neural operator-based digital twins for modeling amyloid-$β$ and tau propagation and treatment optimization in Alzheimer's disease
Pennsylvania State University（宾夕法尼亚州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
提出基于神经算子的数据驱动框架，从稀疏纵向PET数据学习反应扩散动力学，预测淀粉样蛋白-β和tau蛋白时空演化，并优化个性化治疗策略。
2026-06-25 cs.LG math-ph math.MP
OceanNet: A principled neural operator-based digital twin for regional oceans
University of California, Santa Cruz（加州大学圣克鲁兹分校）；North Carolina State University（北卡罗来纳州立大学）
本文提出基于傅里叶神经算子的海洋数字孪生OceanNet，通过预测-评估-校正积分和频谱正则化提升稳定性，在墨西哥湾流季节预测中超越传统动力模式并将计算量降低50万倍。
2024-09-04 cs.AI cs.LG nlin.CD
Twin Augmented Architectures for Robust Classification of COVID-19 Chest X-Ray Images
Indian Institute of Technology Delhi（印度理工学院德里分校）；Max Hospital（马克斯医院）；All India Institute of Medical Sciences（全印度医学科学研究所）
COVID-19的黄金标准是RT-PCR，其检测设施有限，并且并不总是最佳分布。测试结果延迟，影响治疗。放射科专家（其中一位是合著者）能够通过胸部X光（CXR）和CT扫描诊断COVID-19阳性，这有助于及时治疗。这种诊断在缺乏具有足够专业知识和熟悉COVID-19患者的放射科医生的地方特别有价值。本文有两个贡献。首先，我们分析了基于CXR的COVID-19诊断的文献。我们表明，受欢迎的数据集选择的选择遭受数据同质性，导致误导性的结果。我们编译和分析一个可行的基准数据集，从多个现有的异构源。这样的基准对于真实地测试模型是很重要的。我们的第二个贡献涉及从不平衡数据中学习。用于COVID X射线分类的数据集面临严重的类别不平衡，因为大多数受试者是COVID-ve。双支持向量机（Twin SVM）和双神经网络（Twin NN）近年来已经成为处理偏斜数据的有效方法。我们引入了一种最先进的技术，称为Twin Augmentation，用于修改流行的预训练深度学习模型。Twin Augmentation可以提高预训练深度神经网络的性能，而无需重新训练。实验表明，在众多分类器中，Twin Augmentation在提高给定预训练模型在不平衡环境中的分类性能方面非常有效。
2021-02-16 cs.CV cs.LG
Thermodynamics-informed graph neural networks for real-time simulation of digital human twins
ESI Group（ESI集团）；Aragon Institute of Engineering Research (I3A)（阿拉贡工程研究所）；Universidad de Zaragoza（萨拉戈萨大学）；Aragonese Foundation for Research and Development (ARAID)（阿拉贡研究与发展基金会）
本文提出一种融合图神经网络几何偏置与度量-辛结构物理偏置的混合模型，用于实时仿真人体肝脏组织，在毫秒级内实现高精度预测，并具备对未见解剖结构的泛化能力，助力精准医疗与触觉渲染。
2024-12-16 cs.LG
Neural Mixture Distributional Regression
LMU Munich（慕尼黑大学）
我们提出了神经混合分布回归（NMDR），一个整体框架来估计由灵活的添加剂预测定义的复杂的有限混合分布回归。我们的框架能够在高维环境中处理大量潜在不同分布的混合物，允许高效和可扩展的优化，并可应用于将结构化回归模型与深度神经网络相结合的最新概念。虽然许多现有的混合模型方法解决了优化这些模型的挑战，并在特定的模型假设下提供了收敛结果，但我们的方法是无约束的，而是利用了深度学习中成熟的优化器。通过大量的数值实验和高维深度学习应用程序，我们提供的证据表明，所提出的方法是有竞争力的现有方法，并在更复杂的情况下工作得很好。
2020-10-14 cs.LG stat.CO stat.ML
Virtual Sensing-Enabled Digital Twin Framework for Real-Time Monitoring of Nuclear Systems Leveraging Deep Neural Operators
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；National Center for Supercomputing Applications（国家超级计算应用中心）；New York University Abu Dhabi（纽约大学阿布扎比分校）
针对传统物理传感器在核系统监测中的局限，提出基于深度神经算子的虚拟传感数字孪生框架，实现关键热工水力参数的实时准确预测，速度较传统CFD模拟快1400倍。
2024-11-29 cs.AI cs.LG
M3Net: A Multi-Metric Mixture of Experts Network Digital Twin with Graph Neural Networks
Carnegie Mellon University（卡内基梅隆大学）
M3Net通过图神经网络实现多指标专家混合网络，提升网络性能预测的准确性和可扩展性。
2025-12-10 cs.LG cs.NI
Infinite Width Limits of Self Supervised Neural Networks
Technical University of Munich（慕尼黑技术大学）；IIT Madras（马德拉斯理工学院）
本文首次从理论上证明，在Barlow Twins自监督损失下训练的两层宽神经网络的NTK会随宽度趋于无穷而变为常数，从而为用经典核理论分析自监督宽网络提供依据，并进一步推导出泛化误差界。
2025-05-03 cs.LG
Adversarial and Clean Data Are Not Twins
Auburn University（奥本大学）
对抗攻击给深度神经网络的巨大成功蒙上了阴影。尽管在视觉上与干净的数据几乎相同，但对抗性图像可以以非常高的置信度欺骗深度神经网络进行错误的预测。然而，在本文中，我们证明了我们可以建立一个简单的二元分类器，将对抗性数据与干净数据分开，准确率超过99%。我们还经验表明，二进制分类器是强大的第二轮对抗攻击。换句话说，很难伪装对抗样本以绕过二元分类器。此外，我们实证研究的泛化限制，徘徊在所有当前的防御方法，包括二元分类器的方法。我们假设这是对抗性手工算法的内在属性的结果。
2017-04-17 cs.LG cs.NE
A domain adaptation neural network for digital twin-supported fault diagnosis
Resilience of Complex Systems, Laboratoie Genie Industriel, CentraleSup\' e lec, Universit\' e Paris-Saclay, 91190, Gif-sur-Yvette, France
针对数字孪生模拟数据与真实数据存在差异导致故障诊断模型性能下降的问题，提出基于DANN的域适应故障诊断框架，在机器人数据集上验证可有效提升真实场景诊断准确率，弥合 sim-to-real 差距。
2025-05-27 cs.AI cs.LG cs.RO
Beyond 5G Network Failure Classification for Network Digital Twin Using Graph Neural Network
Chonnam National University（全南大学）；Ahmadu Bello University（艾哈迈杜·贝洛大学）；Electronics and Telecommunications Research Institute (ETRI)（电子通信研究院（ETRI））
本文提出将图傅里叶变换集成到消息传递神经网络中，以解决5G及超5G网络数字孪生中因罕见故障导致的类别不平衡问题，并在真实与模拟NDT环境的多类数据集上验证了其故障分类准确性。
2024-06-06 cs.AI cs.LG cs.NI
Structure-Preserving Digital Twins via Conditional Neural Whitney Forms
Applied Mechanics, University of Pennsylvania, Philadelphia, PA, USA（应用力学，宾夕法尼亚大学，费城，PA，美国）；Sandia National Laboratories, Albuquerque, NM, USA（桑迪亚国家实验室，阿尔伯克基，NM，美国）
提出基于条件神经Whitney形式的保结构降阶有限元数字孪生框架，通过条件注意力学习降阶基与守恒律，在稀疏数据下实现高精度实时推理与校准。
2025-08-09 cs.LG cs.NA math.NA
Weather-Driven Agricultural Decision-Making Using Digital Twins Under Imperfect Conditions
Washington State University（华盛顿州立大学）
本文提出Cerealia框架，利用数字孪生技术在天气数据不完整时检测不一致并辅助农业决策。
2026-02-14 cs.LG
Digital Twin-Centered Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction
Missouri University of Science and Technology（密苏里科技大学）；Grainger College of Engineering（格兰杰工程学院）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；National Center for Supercomputing Applications（国家超级计算应用中心）
针对传统核反应堆瞬态建模计算量大、难捕捉复杂行为的问题，提出以数字孪生为中心的混合数据驱动多阶段深度学习框架，结合分类与回归前馈神经网络，用MSTR实测与噪声增强模拟数据训练，实现96%分类准确率和2.3%MAPE，提升泛化能力，支持动态监测优化，为核系统管理提供新方案。
2024-11-27 cs.LG stat.AP stat.ML
Agent-Based Modeling and Deep Neural Networks for Establishing Digital Twins of Secure Facilities under Sensing Restrictions
Oak Ridge National Laboratory（橡树岭国家实验室）；University of Central Florida（中佛罗里达大学）；NBC Universal Studios（NBC环球影城）；SimCentric Technologies（SimCentric科技公司）；University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；Oak Ridge Institute for Science and Education（橡树岭科学与教育研究所）
本研究提出用智能体模型生成合成轨迹，训练深度神经网络预测位置与停留时长，在感知受限的核设施中驱动VR数字孪生的NPC运动，并验证其能区分正常与应急场景。
2025-03-29 cs.AI cs.HC cs.LG
