Downside-Controlled Online Forecast Combination under Delayed and Revised Outcomes
Yonsei University(延世大学)
本研究提出一种下行受控的在线预测组合方法,结合冻结预测器与静态及在线修正器,在延迟和修正结果下实现不劣于初始预测的性能,并在多个基准和负荷预测中验证了其有效性。
2026-09-25 cs.LG
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
STATE: A Robust ATE Estimator of Heavy-Tailed Metrics for Variance Reduction in Online Controlled Experiments
Nanjing University(南京大学);Meituan(美团)
针对在线实验中重尾指标导致方差缩减受限的问题,提出结合 Student's t-distribution 与机器学习的稳健 ATE 估计器 STATE,有效消除异常值影响,实现超 50% 方差缩减。
2024-07-23 cs.LG
Assign Experiment Variants at Scale in Online Controlled Experiments
Wish(Wish公司)
在线控制实验(A/B测试)已经成为了解科技公司新产品功能影响的黄金标准。随机化使得能够从A/B检验中推断因果关系。随机分配将最终用户映射到实验桶,并在组之间平衡用户特征。因此,实验可以将实验组之间的任何结果差异归因于实验下的产品特征。技术公司大规模地运行A/B测试--同时进行数百甚至数千个A/B测试,每个测试都有数百万用户。大规模对随机化提出了独特的挑战。首先,随机分配必须快速,因为实验服务每秒接收数十万个查询。其次,变量赋值必须在实验之间独立。第三,当用户重新访问或实验招募更多用户时,分配必须一致。我们提出了一种新的分配算法和统计检验来验证随机分配。我们的结果表明,不仅是该算法的计算速度快,但也满足统计要求-无偏和独立。
2022-12-17 cs.LG stat.AP
Permutation Equivariant Neural Controlled Differential Equations for Dynamic Graph Representation Learning
Heidelberg Institute for Theoretical Studies(海德堡理论研究所);Mathematical Institute, University of Oxford(牛津大学数学研究所);City University of Hong Kong(香港城市大学);IAR, Karlsruhe Institute of Technology(卡尔斯鲁厄技术大学IAR研究所);Department of Psychiatry, Warneford Hospital(沃内福德医院精神病科)
本文提出置换等变神经图受控微分方程,通过将模型投影到置换等变空间减少参数,提升动态图表示学习的训练效率与泛化,在插值和外推任务中表现更优。
2025-10-27 cs.LG
Deep Reinforcement Learning for Online Control of Stochastic Partial Differential Equations
University of Toronto(多伦多大学);Vector Institute(向量研究所)
在许多领域,如物理科学,生命科学和金融,控制方法被用来实现由微分方程控制的复杂动力系统的预期目标。在这项工作中,我们制定了控制随机偏微分方程(SPDE)的问题作为一个强化学习问题。提出了一种基于学习的分布式控制方法,利用深度确定性策略梯度方法对具有高维状态-动作空间的SPDE系统进行在线控制。我们测试了我们的方法控制随机Burgers方程的问题上的性能,描述了一个湍流流体流动在一个无限大的域。
2021-12-08 cs.LG math.DS
The Price of Differential Privacy For Online Learning
Princeton University(普林斯顿大学)
针对完全信息和强盗环境下的在线线性优化问题,设计了具有最优$\tilde{O}(\sqrt{T})$遗憾界的差分隐私算法.在完全信息设置中,我们的研究结果表明,$ε$ -差分隐私可以确保免费的-特别是,遗憾的范围尺度为$O(\sqrt{T})+\tilde{O}\left(\frac{1}ε\right)$。对于强盗线性优化,作为一个特殊情况,对于非随机多臂强盗,所提出的算法实现了$\tilde{O}\left(\frac{1}ε\sqrt{T}\right)$的遗憾,而以前已知的最佳遗憾界是$\tilde{O}\left(\frac{1}εT^{\frac{2}{3}}\right)$。
2017-06-13 cs.LG stat.ML
Online Sparse Feature Selection in Data Streams via Differential Evolution
Chongqing University of Posts and Telecommunications(重庆邮电大学);Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences(中国科学院重庆绿色智能技术研究院)
本文提出了一种基于微分进化的在线稀疏特征选择方法,通过潜在因子分析插补缺失数据并评估特征重要性,以提升数据流中特征选择的性能。
2025-11-24 cs.AI cs.LG
Policy-Controlled Generalized Share: A General Framework with a Transformer Instantiation for Strictly Online Switching-Oracle Tracking
本文提出PCGS框架,通过Transformer控制器实现严格在线切换Oracle跟踪,提供路径加权遗憾保证和动态遗憾保证,实验显示其在非平稳环境下表现优异。
2026-03-30 cs.LG q-fin.ST
EXIT: Extrapolation and Interpolation-based Neural Controlled Differential Equations for Time-series Classification and Forecasting
Yonsei University(延世大学)
受微分方程启发的深度学习是最近的研究趋势,并标志着许多机器学习任务的最新性能。其中,时间序列建模的神经控制微分方程(NCDE)被认为是一个突破。在许多情况下,基于NCDE的模型不仅比递归神经网络(RNN)提供更好的准确性,而且还可以处理不规则的时间序列。在这项工作中,我们通过重新设计其核心部分,即,从离散时间序列输入生成连续路径。NCDE通常使用插值算法将离散时间序列样本转换为连续路径。然而,我们提出i)使用编码器-解码器架构生成另一潜在连续路径,其对应于NCDE的内插过程,即,我们的基于神经网络的内插相对于现有的显式内插,以及ii)利用解码器的生成特性,即,如果需要,可以在原始数据的时域之外进行外推。因此,我们的NCDE设计可以将内插和外推信息用于下游机器学习任务。在我们的实验中,5个真实世界的数据集和12个基线,我们的外推和插值为基础的NCDE优于现有的基线的非平凡的利润。
2022-09-21 cs.LG
Neural Controlled Differential Equations for Irregular Time Series
Mathematical Institute, University of Oxford(牛津大学数学研究所);The Alan Turing Institute(艾伦·图灵研究所)
神经常微分方程是一个有吸引力的选择建模时间动态。然而,一个根本的问题是,常微分方程的解是由其初始条件决定的,并且没有基于后续观测来调整轨迹的机制。在这里,我们演示了如何通过\emph{controlled differential equations}的良好理解的数学解决这一问题。由此产生的\emph{neural controlled differential equation}模型是直接适用于一般设置的部分观察到的不规则采样的多变量时间序列,和(不像以前的工作在这个问题上),它可以利用内存高效的伴随为基础的反向传播,即使在整个观察。我们证明了我们的模型在一系列数据集的实证研究中与类似(基于ODE或RNN的)模型相比具有最先进的性能。最后,我们提供的理论结果证明普遍的近似,我们的模型包含替代ODE模型。
2020-11-05 cs.LG stat.ML
Log Neural Controlled Differential Equations: The Lie Brackets Make a Difference
Mathematical Institute, University of Oxford, UK(牛津大学数学研究所);Department of Electrical Engineering, City University of Hong Kong(香港城市大学电子工程系)
本文提出Log-NCDEs,利用Log-ODE方法近似CDE解,高效训练神经受控微分方程,在多达5万观测的多变量时间序列上超越现有模型。
2025-10-23 cs.LG
Efficient Neural Controlled Differential Equations via Attentive Kernel Smoothing
Applied AI Institute(应用人工智能研究所);Risk AI Research Lab(风险人工智能研究实验室)
提出用核/高斯过程平滑替代插值构建神经CDE路径,结合注意力多视图CDE恢复细节,在降低函数评估次数的同时实现最优精度。
2026-07-02 cs.LG
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
Optimal Multi-way Decision Trees for Stratified Sampling in Online Controlled Experiments
University of Tsukuba(筑波大学)
针对在线实验分层抽样中方差缩减效果依赖分层构建的问题,提出基于最优多路决策树的OMST方法,通过路径选择与精确方差最小化优化分层,实现更优或相当的方差缩减且保持可解释性。
2026-09-22 cs.LG stat.CO
Universal Time Series Generation with Neural Controlled Differential Equations
Heidelberg Institute for Theoretical Studies(海德堡理论研究所);IAR, Karlsruhe Institute of Technology(卡尔斯鲁厄技术大学IAR部门);Max Planck Institute for Polymer Research(马克斯·普朗克聚合物研究所);IWR, Heidelberg University(海德堡大学IWR部门);Dept. of Computer Science, University of Toronto(多伦多大学计算机科学系);Mathematical Institute, University of Oxford(牛津大学数学研究所);Vector Institute, Toronto, Canada(多伦多向量研究所)
本文证明结构化线性受控微分方程(SLiCEs)是通用时间序列生成器,并提出生成式SLiCEs(G-SLiCEs)用于路径空间上的流匹配,在概率预测和下流任务中表现优异,尤其适用于不规则网格。
2026-06-12 cs.LG
Locally Differentially Private Distributed Online Learning with Guaranteed Optimality
Clemson University(克莱姆森大学)
本文提出一种局部差分隐私分布式在线学习方法,利用在线学习特性在无限时间跨度下同时保证学习精度与有限累积隐私预算,并通过机器学习任务验证了其有效性。
2024-08-23 cs.CR cs.LG cs.MA
Attentive Neural Controlled Differential Equations for Time-series Classification and Forecasting
Yonsei University(延世大学);Socar Co. Ltd.(Socar有限公司)
受微分方程启发的神经网络在过去的几年里迅速发展。神经元常微分方程(NODE)和神经元控制微分方程(NCDE)是其中的两个典型例子。理论上,NCDE比NODE提供更好的时间序列数据的表示学习能力。特别是,它是已知的NCDE是适合于处理不规则的时间序列数据。注意力引入后,NODE已经得到了成功的扩展,但如何将注意力融入到NCDE中还没有研究。为此,我们提出了注意神经控制微分方程(ANCDE)的时间序列分类和预测的方法,其中使用双NCDE:一个用于生成注意值,另一个用于进化隐藏向量的下游机器学习任务。我们用三个真实世界的时间序列数据集和10个基线进行实验。在降低一些值后,我们还进行了不规则的时间序列实验。我们的方法始终显示出最好的准确性,在所有情况下,由非平凡的利润。我们的可视化还表明,所呈现的注意力机制通过专注于关键信息而按预期工作。
2021-11-16 cs.LG stat.ML
On Differentially Private Online Predictions
Tel Aviv University(特拉维夫大学);Google Research(谷歌研究院);Technion(以色列理工学院);Georgetown University(乔治城大学)
在这项工作中,我们介绍了一个互动的联合差分隐私处理在线过程中,现有的隐私定义似乎过于限制性的变种。我们研究这个定义的基本属性,并证明它满足(合适的变体)的组隐私,组成,和后处理。然后,我们研究了成本的互动联合隐私的基本设置在线分类。我们表明,任何(可能非私人)的学习规则可以有效地转换为私人的学习规则,只有一个多项式开销的错误界。这表明了与更严格的隐私概念的明显区别,例如Golowich和Livni(2021)研究的隐私概念,其中只有错误界的双指数开销是已知的(通过信息论上限)。
2023-02-27 cs.CR cs.DS cs.LG
Online Weak-form Sparse Identification of Partial Differential Equations
University of Colorado(科罗拉多大学)
提出了一种基于非线性动力学弱形式稀疏辨识算法(WSINDy)的偏微分方程(PDE)在线辨识算法。该算法是在线的,在某种意义上说,如果执行识别任务,通过处理解决方案的快照顺序到达。该方法的核心是将候选偏微分方程的弱形式离散化与稀疏回归问题的在线近似梯度下降方法相结合。特别是,我们不正规化的$\ell_0$ -伪范数,而是发现,直接应用其邻近算子(对应于硬阈值)导致有效的在线系统辨识从噪声数据。我们证明了成功的Kuramoto-Sivashinsky方程的方法,随时间变化的波速的非线性波动方程,线性波动方程,在一个,两个和三个空间维度,分别。特别是,我们的例子表明,该方法是能够识别和跟踪系统的系数突然变化的时间,并提供了一个流的替代问题,在更高的维度。
2022-03-08 cs.LG math.OC stat.ML
Advances in Neural Controlled Differential Equations
针对神经控制微分方程训练效率低、扩展性差问题,提出Log-NCDE、线性NCDE、结构化线性NCDE三类方法,将训练步耗时降低最高三个数量级,在多时间序列基准上取得SOTA性能。
2026-07-07 cs.LG
Learnable Path in Neural Controlled Differential Equations
Yonsei University(延世大学);Electronics and Telecommunications Research Institute (ETRI)(韩国电子通信研究院)
神经控制微分方程(NCDE)是递归神经网络(RNN)的连续类似物,是(不规则)时间序列处理的专用模型。与类似的模型相比,例如,神经常微分方程(NODE),NCDE的关键区别特征是i)采用由插值算法从每个原始离散时间序列样本创建的连续路径,以及ii)采用Riemann-Stieltjes积分。这是连续的路径,使NCDE类似于连续的RNN。然而,NCDE使用现有的插值算法来创建路径,这是不清楚的,他们是否可以创建一个最优的路径。为此,我们提出了一种方法来生成另一个潜在的路径(而不是依赖于现有的插值算法),这是相同的学习一个合适的插值方法。我们设计了一个基于NCDE和NODE的编解码器模块,并为它设计了一种特殊的训练方法,该方法在时间序列分类和预测方面都表现出了最好的性能。
2023-01-11 cs.AI cs.LG
On the Generalization and Approximation Capacities of Neural Controlled Differential Equations
Inria Paris(法国国家信息与自动化研究所巴黎分部);UEVE(埃夫里大学)
本文融合 CDE 理论与基于 Lipschitz 的网络复杂度度量,建立 NCDE 依赖数据正则性的泛化界,分析采样偏差与逼近偏差,并通过实验验证。
2024-07-01 cs.LG stat.ML
Online Differentially Private Synthetic Data Generation
University of California Irvine(加利福尼亚大学欧文分校);University of Southern California(南加利福尼亚大学)
本研究提出一种在线差分隐私合成数据生成的多项式时间算法,针对超立方体内无限时间范围的数据流,在1-Wasserstein距离下实现近似最优精度界,将持续发布模型从计数查询拓展至Lipschitz查询,仅比离线方法多付出多对数因子的精度代价。
2024-10-23 cs.DS cs.LG math.PR
Spatial Shortcuts in Graph Neural Controlled Differential Equations
Fraunhofer HHI(弗劳恩霍夫HHI);TU Berlin(柏林工业大学)
本文将先验图拓扑融入 NCDE 以预测图上动力系统,比较不同信息注入位置,证明隐藏状态与控制间的外部结构更优,并以更少参数取得更低 MAE。
2024-10-25 cs.LG stat.ML
Differentially Private Online Item Pricing
本文提出首个在重复无限供应商品定价拍卖中同时实现差分隐私保护和次线性遗憾的算法,基于指数权重元算法和随机扰动,并扩展至买家策略性出价场景。
2023-10-28 cs.CR cs.GT cs.LG
Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations
University of Cambridge(剑桥大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Columbia University(哥伦比亚大学);The Alan Turing Institute(艾伦·图灵研究所)
随着时间的推移,估计反事实结果有可能通过帮助决策者回答“what-if”问题来解锁个性化医疗保健。现有的因果推理方法通常考虑观察和治疗决策之间的规则的离散时间间隔,因此无法自然地对不规则采样数据进行建模,这是实践中的常见设置。为了处理任意观测模式,我们将数据解释为来自底层连续时间过程的样本,并建议使用控制微分方程的数学来明确地建模其潜在轨迹。这导致了一种新的方法,治疗效果神经控制微分方程(TE-CDE),允许在任何时间点评估潜在的结果。此外,对抗性训练用于调整时间依赖性混杂,这在纵向设置中至关重要,并且是传统时间序列中没有遇到的额外挑战。为了评估这个问题的解决方案,我们提出了一个可控的模拟环境的基础上的肿瘤生长模型的一系列的情况下,不规则的采样反映了各种临床情况。TE-CDE始终优于现有的方法,在所有模拟的情况下,不规则采样。
2022-06-16 cs.LG stat.ML
Make Up Your Mind: The Price of Online Queries in Differential Privacy
Harvard University John A. Paulson School of Engineering and Applied Sciences(哈佛大学约翰·A·保尔森工程与应用科学学院);Yale University(耶鲁大学);Northeastern University College of Computer and Information Science(东北大学计算机与信息科学学院)
我们考虑的问题,回答查询的敏感数据集受到差分隐私。查询可以以三种方式之一从更大的可允许查询集合Q中进行对抗性选择,我们按照从最容易到最难回答的顺序列出:离线:查询一次全部被选择,并且差分私有机制在单个批次中回答查询。缐上:查询是一次选择的,但是该机制只以流式方式接收查询,并且必须在看到下一个查询之前回答每个查询。自适应:每次选择一个查询,并且该机制必须在选择下一个查询之前回答每个查询。特别地,每个查询可以取决于对先前查询给出的答案。许多差异私有机制在自适应模型中与在离线模型中一样有效。同时,差分隐私的大多数下限在离线设置中保持不变。这表明这三种模式可能是等效的。我们证明了这些模型实际上都是不同的。具体来说,我们表明,有一个家庭的统计查询,指数更多的查询,从这个家庭可以回答离线模型比在线模型。我们还展示了一个家庭的搜索查询,指数更多的查询,从这个家庭可以回答在线模型比自适应模型。我们还调查是否这样的分离可能会举行简单的查询,如阈值查询在真正的线。
2016-04-15 cs.CR cs.DS cs.LG
Hawkes Process Based on Controlled Differential Equations
Yonsei University(延世大学)
针对现有基于神经网络的Hawkes过程模型无法捕捉不规则时间动力学及启发式计算对数似然的局限,提出基于受控微分方程的HP-CDE方法,实现连续读取数据以精确计算对数似然,并在4个真实数据集上显著优于现有方法。
2023-05-18 cs.AI cs.LG
A Forward Propagation Algorithm for Online Optimization of Nonlinear Stochastic Differential Equations
University of Oxford(牛津大学)
在平稳分布的随机微分方程(SDEs)上进行优化在计算上具有挑战性。最近提出了一种新的前向传播算法在线优化的SDES。该算法求解使用前向微分推导出的SDE,它提供了梯度的随机估计。该算法同时不断更新模型的参数和梯度估计。本文研究了非线性耗散随机微分方程前向传播算法的收敛性。我们利用这类非线性微分方程的遍历性来刻画过渡半群及其导数的收敛速度。然后,我们证明的解决方案的泊松偏微分方程(PDE)的预期时间积分的算法的随机波动周围的方向的最速下降。然后,我们重写的算法使用PDE解决方案,这使我们能够表征参数的演变方向周围的最速下降。我们的主要结果是一个收敛定理的前向传播算法的非线性耗散SDES。
2022-07-10 cs.LG math.PR q-fin.MF
Continuous-Time SO(3) Forecasting with Savitzky--Golay Neural Controlled Differential Equations
Technical University of Munich(慕尼黑技术大学);Munich Center of Machine Learning(慕尼黑机器学习中心);Imperial College London(伦敦帝国学院)
针对噪声稀疏观测、复杂动力学和长期预测下的 SO(3) 旋转外推难题,提出由 Savitzky–Golay 路径引导的神经受控微分方程,在保持旋转几何结构的同时学习连续时间隐式动力学,并在真实数据上取得优于现有方法的预测效果。
2025-06-07 cs.CV cs.LG
Online Learning with Adversaries: A Differential-Inclusion Analysis
Indian Institute of Science (IISc)(印度科学理工学院);IMT Atlantique(大西洋国立高等工业技术与矿业学校)
针对存在对抗者的完全异步在线联邦学习,提出基于观测矩阵的均值估计算法,并通过微分包含两时间尺度分析证明其几乎必然收敛。
2023-09-26 cs.LG cs.SY eess.SY
Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations
Department of Electrical and Engineering, City University of Hong Kong(电子工程系,香港城市大学);Mathematical Institute, University of Oxford(数学研究所,牛津大学)
针对动态图中结构与节点动力学耦合带来的时序演化建模难题,提出连续时间框架GN-CDEs,以时变图路径为控制信号联合建模节点嵌入与结构动力学,在多项动态图表示学习任务上验证了有效性。
2025-10-01 cs.AI cs.LG
Neural Controlled Differential Equations for EMT-Level Surrogate Modeling of Grid-Forming Inverters
Corporate Research Center, Midea Group(美的集团中央研究院)
针对人工智能在电力电子变流器建模中面临的挑战,提出神经控制微分方程框架,用于电网形成逆变器电磁暂态仿真,通过仿射控制公式和正则化方法,实现多尺度分析,准确再现暂态响应,提供物理一致的替代建模方法。
2026-07-21 cs.AI cs.LG
Optimizing External Sources for Controlled Burning Plasma in Tokamaks with Neural Ordinary Differential Equations
Fusion Research Center, Georgia Institute of Technology, Atlanta, GA, USA(融合研究中心,佐治亚理工学院,亚特兰大,GA,USA)
本研究提出基于神经常微分方程的多节点等离子体动力学逆建模方法,通过自动微分优化求解托卡马克外部源分布(如NBI功率),实现受控燃烧等离子体的精确控制。
2025-07-12 cs.LG physics.plasm-ph
Federated Online Prediction from Experts with Differential Privacy: Separations and Regret Speed-ups
School of EECS, The Pennsylvania State University(宾夕法尼亚州立大学电机工程与计算机科学学院)
本文首次研究联邦场景下具有差分隐私的在线专家预测问题,提出 Fed-DP-OPE-Stoch 和 Fed-SVT 两种算法,分别在随机对手和低损失遗忘对手情形下实现遗憾加速,并证明遗忘对手一般情形下协作无法带来加速。
2024-09-27 cs.CR cs.LG stat.ML
COVID-19 in differential diagnosis of online symptom assessments
Curai
COVID-19疫情扩大了人们在线寻找医疗保健解决方案的现有趋势。其中一类解决方案是症状检查器,在COVID-19的背景下非常流行。然而,传统的症状检查器基于手动策划的专家系统,这些系统不灵活且难以修改,特别是在我们今天面临的快速变化的情况下。这就是为什么所有COVID-19现有的解决方案都是手动症状检查器,只能估计这种疾病的概率,而不能考虑替代假设或提出鉴别诊断。虽然机器学习提供了一种替代方案,但缺乏可靠的数据也不容易将其应用于COVID-19。在本文中,我们提出了一种方法,结合了传统的人工智能专家系统和新的深度学习模型的优势。通过这样做,我们可以利用先验知识以及任何数量的现有数据来快速推导出最适合世界现状和最新科学知识的模型。我们使用该方法来训练COVID-19感知的鉴别诊断模型,该模型可用于医生或患者的医疗决策支持。我们表明,我们的方法能够准确地对新传入的关于COVID-19的数据进行建模,同时仍然保留了过去建模条件的准确性。虽然我们的方法在我们目前面临的极端情况下显示出明显的优势,但我们也表明,它的灵活性超出了这个具体但非常重要的例子。
2020-11-30 cs.AI cs.LG
Offline and Online KL-Regularized RLHF under Differential Privacy
King Abdullah University of Science and Technology (KAUST)(卡布尔大学科学与技术学院);Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学);Massachusetts Institute of Technology (MIT)(麻省理工学院)
本文研究差分隐私下KL正则化RLHF的离线和在线算法,提出悲观和乐观方法,分别获得次优性差距和对数遗憾界,并首次分析无隐私在线情况。
2025-10-15 cs.AI cs.LG
C3DE: Causal-Aware Collaborative Neural Controlled Differential Equation for Long-Term Urban Crowd Flow Prediction
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);Chongqing University(重庆大学)
针对长期城市客流预测的累积采样误差及POI演化引发的异步动态与伪因果问题,提出因果感知协同神经受控微分方程C3DE,通过双路径NCDE和反事实动态校正机制实现高精度长期预测。
2025-09-15 cs.AI cs.LG
Random Controlled Differential Equations
Imperial College London(伦敦帝国学院)
本文提出随机控制微分方程,结合随机特征与受控微分方程,通过两种变体提升时间序列学习的效率和性能。
2025-12-29 cs.LG stat.ML
INDEQS: Informed Neural controlled Differential EQuationS
Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希·赫兹研究所);Technische Universität Berlin(柏林技术大学)
提出INDEQS,一种基于图的NCDE预测方法,通过在不同架构位置注入有向图先验知识,结合内外混合机制和自适应图卷积,在合成和真实任务中优于无信息NCDE。
2026-10-02 cs.LG stat.ML
PROXIMA: A Reliability Scoring Framework for Proxy Metrics in Online Controlled Experiments
Rochester Institute of Technology(罗切斯特理工学院)
PROXIMA通过三个互补维度评估代理指标的可靠性,用于识别正确启动决策的代理指标,并在不同用户段中发现失败情况,验证结果表明推荐领域比广告领域具有更高的异质性但方向准确性仍较高。
2026-04-15 cs.LG stat.AP stat.ME
Cheshire: An Online Algorithm for Activity Maximization in Social Networks
Sharif University(谢里夫大学);IIT Kharagpur(印度理工学院克勒格布尔分校);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所)
用户在社交网络中的参与度主要取决于用户在网络中采取的在线行动的数量。我们能否设计一种算法,找到何时激励用户采取行动,以最大限度地提高社交网络中的整体活动?在本文中,我们建模的在线行动的数量随着时间的推移,使用多维霍克斯过程,推导出这些过程的替代表示的基础上随机微分方程(SDES)的跳跃,并利用这种替代表示,解决上述问题的角度随机最优控制的SDES跳跃。我们发现,激励行动的最佳水平线性依赖于当前的整体行动水平。此外,该线性关系的系数可以通过求解矩阵Riccati微分方程和一阶微分方程来求出,矩阵Riccati微分方程可以被有效地求解,一阶微分方程具有封闭形式的解。因此,我们能够设计一个有效的在线算法,柴郡,抽样的最佳时间的用户的激励行动。从Twitter收集的合成和真实数据的实验表明,我们的算法能够始终最大限度地提高在线行动的数量比最先进的。
2017-03-06 cs.DS cs.LG cs.SI
Physics-Informed Neural Controlled Differential Equations for Scalable Long Horizon Multi-Agent Motion Forecasting
Carnegie Mellon University(卡内基梅隆大学);Amazon Robotics(亚马逊机器人)
针对多自主机器人长时程运动预测难题,提出以多智能体目标为条件的PINCoDE模型,结合神经控制微分方程与物理约束,可无参扩展至百台机器人,长时程预测精度显著优于解析模型。
2025-10-01 cs.AI cs.LG cs.MA