Physics informed cell representations for variational formulation of multiscale problems
Vanderbilt University(范德堡大学)
本文提出物理信息单元表示,结合多级网格与MLP及变分损失,加速多尺度泊松问题求解,提升精度与收敛速度。
2024-05-27 cs.LG
Adaptive Training of Grid-Dependent Physics-Informed Kolmogorov-Arnold Networks
National and Kapodistrian University of Athens(雅典国立卡波迪斯特里亚大学);National Technical University of Athens(雅典国立技术大学);University of the Peloponnese(伯罗奔尼撒大学)
本文提出基于JAX的快速网格依赖物理信息Kolmogorov-Arnold网络(PIKANs)及自适应训练方案,训练速度提升84倍且L²误差降低43.02%,在参数更少的情况下接近或超越多参数架构效果。
2024-10-09 cs.LG physics.comp-ph
PIPE: Physics-Informed Position Encoding for Alignment of Satellite Images and Time Series
Department of Computer Science & Engineering(香港理工大学计算机科学与工程系);Division of Environment & Sustainability(香港理工大学环境与可持续发展学院)
针对多模态时间序列预测中视觉数据未利用及物理信息捕捉难的问题,提出PIPE方法,通过物理信息位置编码嵌入视觉语言模型,在最大开源卫星图像数据集上实现最先进性能,台风强度预测提升12%。
2025-05-27 cs.AI cs.CV cs.LG
Enhanced Precision in Rainfall Forecasting for Mumbai: Utilizing Physics Informed ConvLSTM2D Models for Finer Spatial and Temporal Resolution
Indian Institute of Technology, Bombay(印度理工学院孟买分校);BMS College of Engineering(BMS工程学院)
本文提出物理信息 ConvLSTM2D 模型,利用 ERA5 多高度层数据在孟买四个局部网格上预测未来 6 小时和 12 小时降水,以提升城市尺度降雨预报的时空精度。
2024-04-01 cs.LG
Symmetry-Reduced Physics-Informed Learning of Tensegrity Dynamics
Department of Mathematics, University of Kentucky(数学系,肯塔基大学);Department of Mechanical and Aerospace Engineering, University of Houston(机械与航空航天工程系,休斯顿大学)
本文提出SymPINN框架,通过引入群论对称性减少张力结构动力学的计算复杂度,提升预测精度和稳定性。
2026-03-18 cs.LG
Finite-difference-informed graph network for solving steady-state incompressible flows on block-structured grids
针对卷积神经网络的卷积算子仅限于单块网格的问题,提出基于图卷积的有限差分方法(GC-FDM),利用图和图网络学习跨多块结构化网格的流动表示,降低训练成本并提升速度场预测精度。
2024-11-29 cs.AI cs.LG physics.flu-dyn
Interpretable Physics-Informed Load Forecasting for U.S. Grid Resilience: SHAP-Guided Ensemble Validation in Hybrid Deep Learning Under Extreme Weather
1Dept. of Computer Science, Midwestern State University, Dallas, TX, USA 2O\&M Analytics, AES Clean Energy, The AES Corporation, Louisville, CO, USA 3Dept. of Information;Communication Engineering, Pabna University of Science
本文提出一种可解释的物理信息集成框架,结合CNN和Transformer进行特征提取与长程依赖建模,通过SHAP分析揭示极端天气下温度、风速和降水的影响差异,提升电网在极端天气下的预测精度与可靠性。
2026-04-26 cs.AI cs.LG
Physics-Informed Convolutional Autoencoder for Cyber Anomaly Detection in Power Distribution Grids
West Virginia University(西弗吉尼亚大学)
针对配电网隐蔽网络攻击,本文提出将基尔霍夫定律融入损失函数的多变量 PIConvAE,并在 IEEE 13/123 节点系统中验证其精度、收敛速度和攻击检测能力。
2023-12-08 cs.CR cs.LG cs.SY
SGM-PINN: Sampling Graphical Models for Faster Training of Physics-Informed Neural Networks
Stevens Institute of Technology(史蒂文斯理工学院)
本研究提出基于图的重要性采样框架SGM-PINN,通过分解训练集构建的概率图模型生成带依赖关系的节点簇,结合鲁棒性度量与残差损失确定采样区域,实现PINNs训练速度3倍提升与精度改善。
2024-07-10 cs.LG
Study Design and Demystification of Physics Informed Neural Networks for Power Flow Simulation
IRT SystemX(系统X研究所);RTE(电网运营商)
本文通过消融研究系统揭秘物理信息神经网络在潮流仿真中的混合化策略,并利用自研基准LIPS从准确性、物理合规性、工业就绪性和分布外泛化四个维度评估不同模型架构的表现。
2025-09-23 cs.LG
Continual-Learning Physics-Informed Neural Networks for Parameterized Partial Differential Equations
Tsinghua University(清华大学)
提出CL-PINN,将不同参数的PDE实例视为相关任务依次学习,结合贝叶斯主动参数选择等技术,提升参数化PDE解的精度与泛化能力,优于相关基线方法。
2026-08-06 cs.LG
Finite-PINN: A Physics-Informed Neural Network with Finite Geometric Encoding for Solid Mechanics
Imperial College London(帝国理工学院)
针对PINN在固体力学中无限域与欧几里得解空间的局限,本文提出Finite-PINN,引入有限几何编码并结合强、弱形式损失,以求解正问题并从稀疏观测重建反问题全场解。
2025-06-08 cs.CE cs.LG math.AP
GRINN: A Physics-Informed Neural Network for solving hydrodynamic systems in the presence of self-gravity
Jet Propulsion Laboratory, California Institute of Technology(加州理工学院喷气推进实验室);University of Western Ontario(西安大略大学);Perimeter Institute For Theoretical Physics(圆周理论物理研究所)
本文提出基于PINN的GRINN,以无网格方式模拟三维自引力流体系统,在线性与非线性阶段分别达到1%和5%精度,并显著降低三维计算耗时。
2023-08-15 astro-ph.GA astro-ph.IM astro-ph.SR
Solving Heterogeneous Agent Models with Physics-informed Neural Networks
University of Cambridge(剑桥大学)
本文提出ABH-PINN求解器,利用物理指导神经网络解决异质主体模型中的连续时间动态问题,实现更高效和准确的计算。
2025-11-25 cs.LG econ.GN q-fin.EC
Assessing Covariate-Informed Grid Load Forecasting with a Time-Series Foundation Model
Artificial Intelligence Team GE Vernova Advanced Research Center(GE Vernova先进研究中心人工智能团队)
本研究评估时间序列基础模型Chronos-2在电网负荷预测中的表现,发现其经任务特定微调后短时域预测性能优异,但零样本准确性不及任务特定模型,误差随预测步长增长更快。
2026-09-09 cs.AI cs.LG cs.SY
Spectral-Informed Neural Networks Outperform Spectral Methods in High-dimensional PDEs
Applied AI Institute(应用人工智能研究所)
研究高维偏微分方程问题,核心方法是将谱方法与PINNs结合成改进的SINNs,通过系数衰减缩放和基嵌入提升精度。主要贡献是在中维问题上优于稀疏网格谱方法,在高维问题上比PINNs精度更高。
2026-07-16 cs.AI cs.CE cs.LG
Can We Formally Verify Neural PDE Surrogates? SMT Compilation of Small Fourier Neural Operators
Rochester Institute of Technology(罗切斯特理工学院);Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
本文通过将傅里叶神经操作符(FNO)的谱卷积编译为线性映射,在Z3中实现精确或近似的SMT编码,从而对小型FNO代理模型进行形式化验证,并揭示了验证的可靠性与可扩展性之间的权衡。
2026-05-27 cs.AI cs.LG
PINNslope: seismic data interpolation and local slope estimation with physics informed neural networks
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学(KAUST))
本文提出PINNslope,通过联合训练主重建网络与辅助局部斜率估计网络并引入位置编码,实现混叠及大缺口地震数据的高精度插值。
2023-12-09 cs.LG eess.SP physics.geo-ph
Encoding Involutory Invariances in Neural Networks
BITS-Pilani(比尔拉科学技术学院);Harvard University(哈佛大学)
在某些情况下,神经网络是在服从基本对称性的数据上训练的。然而,预测并不完全尊重对称性,除非嵌入到网络结构中。在这项工作中,我们引入的架构,嵌入一种特殊的对称性,即不变性相对于对合线性/仿射变换奇偶校验$p=\pm 1$。我们提供严格的定理表明,建议的网络确保这样的不变性和一个特殊的普遍逼近定理的定性参数。我们的技术适应CNN任务的数据集具有固有的水平/垂直反射对称性的证明。大量的实验表明,该模型优于基线前馈和物理信息神经网络,同时同样尊重潜在的对称性。
2022-04-26 cs.AI cs.LG cs.NE
Physics-Informed GCN-LSTM Framework for Long-Term Forecasting of 2D and 3D Microstructure Evolution
本文提出一种物理信息GCN-LSTM框架,在潜在图空间中联合学习不同成分数据,实现二维和三维微观结构演化的高效长期预测。
2025-09-18 cond-mat.mtrl-sci cs.CE cs.LG
On the Encoding of Calendar Features in Covariate-Informed Time Series Foundation Models
Institute for Automation and Applied Informatics(自动化与应用信息研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
该研究对比七种日历编码在四个TSFMs和九个数据集上的预测效果,发现编码选择显著影响预测准确性,节假日改进更明显,还指出当前基准的固定编码策略会扭曲模型比较。
2026-10-12 cs.LG
F-StrIPE: Fast Structure-Informed Positional Encoding for Symbolic Music Generation
LTCI, Télécom Paris, Institut Polytechnique de Paris(LTCI、巴黎电信学院、巴黎理工学院)
针对 Transformers 位置编码利用音乐结构时序列长度二次复杂度的问题,本文提出线性复杂度的 F-StrIPE,并证明其推广了 SPE,在符号音乐旋律配和声中验证了优势。
2025-02-14 cs.AI cs.LG cs.SD
Ranking-Based Physics-Informed Line Failure Detection in Power Grids
University of Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
气候变化增加了极端天气事件(风和暴风雪、暴雨、野火)的数量,这些事件危及电力系统的可靠性,并导致多种设备故障。实时准确地检测潜在的线路故障是减轻极端天气影响和启动应急控制的第一步。功率平衡方程的非线性、极端事件期间发电的不确定性增加以及缺乏电网可观测性会损害传统数据驱动故障检测方法的效率。与此同时,基于神经网络的现代问题无关机器学习方法需要大量数据来检测事故,特别是在时变环境中。本文提出了一种物理信息化的线路故障检测器(FIELD),利用网格拓扑信息,以降低采样和时间复杂度,提高定位精度。最后,我们说明了优越的经验性能,我们的方法相比,国家的最先进的方法在各种测试用例。
2022-08-31 cs.LG eess.SP
Physics-Informed Learning of Proprietary Inverter Models for Grid Dynamic Studies
Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文提出物理信息潜在神经常微分方程模型PI-LNM,融合系统物理与神经学习以仿真专有逆变器动态,并在构网型逆变器案例中验证其优于纯数据驱动方法的动态仿真精度。
2025-07-21 cs.LG cs.SY eess.SY
Self-Supervised Implicit CEST Reconstruction via Physics-Informed Lorentz Encoding
针对多池CEST MRI采集时间长、有限数据重建高分辨率Z谱难的问题,提出物理信息洛伦兹编码(LE),将CEST重建作为自监督任务,通过隐式连续坐标学习实现,实验证明其优于现有方法,能确保准确的定量代谢物映射。
2026-07-08 cs.AI cs.LG physics.med-ph
Towards Practical Physics-Informed ML Design and Evaluation for Power Grid
当应用于电网等现实世界的安全关键系统时,一般的机器学习方法受到昂贵的训练、非物理解决方案和有限的可解释性的影响。为了解决电网的这些挑战,许多最近的工作已经探索了包括电网物理学(即,领域专家)引入到他们的方法设计中,主要是通过包括系统约束和技术限制、减少搜索空间和在潜在空间中定义有意义的特征。然而,目前还没有通用的方法来评估这些方法在电网任务中的实用性,并且在可扩展性,泛化性,可解释性等方面存在局限性。这项工作正式提出了一个新的物理可解释性概念,该概念评估了ML模型如何以物理上有意义的方式进行预测,并引入了一种评估方法,该方法确定了一组实用方法应该满足的属性。受评估属性的启发,本文进一步开发了一种新的基于条件高斯随机场的MadIoT网络攻击应急分析暖启动器。该方法作为ML模型的实例,可以整合不同的领域知识并改进这些识别的属性。实验证明,即使在浅NN架构下,温启动器也能显着提高MadIoT攻击的应急分析效率。
2022-05-24 cs.LG eess.SP
Physics-Informed Inductive Biases for Voltage Prediction in Distribution Grids
Technical University of Munich(慕尼黑技术大学)
本文提出基于物理信息的归纳偏置方法,通过三种策略提升配电网电压预测的可靠性与效率。
2025-12-08 cs.LG cs.SY eess.SY
Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems
Department of Electrical and Electronic Engineering, Faculty of Engineering Sciences(电气与电子工程系,工程科学学院)
本文提出PISSM模型,结合物理信息与状态空间方法,提升无电网系统中太阳能预测的准确性和效率,通过轻量级设计实现实时控制。
2026-04-17 cs.AI cs.LG cs.SY
Conditional Similarity Triplets Enable Covariate-Informed Representations of Single-Cell Data
The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出CytoCoSet方法,通过条件相似性三元组将临床协变量纳入单细胞数据的每样本表征学习,从而提升临床结果预测性能。
2024-11-24 cs.LG
Temporal Encoding Strategies for Energy Time Series Prediction
针对现有能源预测研究难以捕捉能耗周期模式与实时波动的问题,提出基于正弦编码的时间序列周期特征处理方法,在能源需求数据集上相较传统编码实现RMSE降低12.6%、R²提升7.8%,兼顾精度与计算效率,适配智能电网实时场景。
2025-03-19 cs.LG
An Comparative Analysis of Different Pitch and Metrical Grid Encoding Methods in the Task of Sequential Music Generation
Queen Mary University of London(伦敦玛丽女王大学)
音高和节拍是符号音乐生成任务中的两个基本音乐特征,研究者通常根据特定的目标选择不同的编码方法。然而,不同编码方法的优点和缺点并没有经常讨论。本文综合分析了音高和节拍这两个低层特征对基于标记的顺序音乐生成模型性能的影响。首先,比较了常用的二进制数编码和较少使用的类倍频程编码。第二,密集的条内度量网格被施加到编码序列作为辅助特征。比较了不同复杂度和分辨率的度量网格。对于复杂性,比较了单标记方法和多标记方法;对于网格分辨率,比较了0(消融)、1(小节级)、4(下拍级)、12(第8个三重音符级)至64(第64个音符网格级);对于持续时间分辨率,比较了每拍4、8、12和16次细分。所有不同的编码都在单独训练的Transformer-XL模型上进行测试,以完成旋律生成任务。关于几个客观评价指标与测试数据集的分布相似性,结果表明,类八度编码在音高相关指标上明显优于想当然的编码;更细的网格和多标记网格提高了节奏质量,但在早期训练阶段也会出现过拟合。结果表明,单标记网格编码在基音嵌入空间和测试损失两个方面存在普遍的过拟合现象。从实际的角度来看,我们既证明了可行性,也提出了使用较小的网络和较低的嵌入维数的生成任务上容易过拟合问题的关注。研究结果也有助于未来的模型特征工程方面。
2023-01-31 cs.AI cs.LG cs.SD
A New Perspective To Understanding Multi-resolution Hash Encoding For Neural Fields
Department of Computer Science, University of Toronto(计算机科学系,多伦多大学)
本文提出“域操纵”新视角,解释 Instant-NGP 中多分辨率哈希网格如何通过人为复制线性分段来提升神经场表达能力,并在一维信号上实验验证其可推广性。
2025-05-05 cs.LG
Super-resolving 2D stress tensor field conserving equilibrium constraints using physics informed U-Net
The University of Tokyo(东京大学)
在有限元分析中,使用大量的网格对于获得精确的结果很重要,但这是一项消耗资源的任务。针对实时仿真和优化,希望在有限的资源内获得精细的网格分析结果。提出了一种利用基于U-Net的神经网络(PI-UNet)从低分辨率等值线图预测高分辨率应力张量场的超分辨率方法。此外,所提出的模型最大限度地减少剩余的平衡约束,使它输出一个物理上合理的解决方案。用简单形状的有限元计算结果对网络进行训练,并用复杂的实际形状进行验证,以评估网络的泛化能力。虽然ESRGAN是图像超分辨率的标准模型,但所提出的基于U-Net的模型在应力张量预测任务中优于ESRGAN模型。
2022-06-02 cs.LG
Transformers with Physics-Informed Encodings and Simulation-Based Inference for Robust Detection of Eccentric Binary Black Holes in Pulsar Timing Array Data
Department of Physics, National University of Singapore(新加坡国立大学物理系);Department of Mathematics, National University of Singapore(新加坡国立大学数学系)
研究利用含物理信息编码框架的Transformer从脉冲星计时阵列数据高效推断相对论轨道上偏心双黑洞,用生成模型在模拟推理框架中推断后验分布,相比无物理基线有改进。
2026-09-29 astro-ph.IM cs.LG gr-qc
Physics Informed Reinforcement Learning with Gibbs Priors for Topology Control in Power Grids
University of Luxembourg(卢森堡大学)
本文提出一种结合半马尔可夫控制与Gibbs先验的物理引导强化学习框架,用于电力网络拓扑控制。通过图神经网络预测拓扑动作后的过载风险,构建物理引导的Gibbs先验,从而减少探索难度和在线模拟成本,同时保持策略的灵活性。
2026-11-18 cs.LG cs.SY eess.SY
Fast Transient Stability Prediction Using Grid-informed Temporal and Topological Embedding Deep Neural Network
本文提出TTEDNN模型,利用电网信息邻接矩阵融合结构与电气参数,从早期暂态动态时序数据中提取时空和拓扑特征,实现快速准确的暂态稳定预测,并在IEEE 39和118节点系统中验证了其最优鲁棒性和迁移能力。
2022-01-23 cs.LG cs.SY eess.SY
Physics-Informed Graph Neural Network for Dynamic Reconfiguration of Power Systems
ETH Zurich(苏黎世联邦理工学院)
针对配电网动态重构混合整数优化求解困难的问题,本文提出物理信息GNN框架GraPhyR,通过嵌入运行与连通约束并端到端训练实现快速决策。
2024-04-02 cs.LG cs.SY eess.SY
Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids
Pacific Northwest National Laboratory(太平洋西北国家实验室);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
实时状态估计和预测是保证电网高效运行的关键。本文提出了一种基于物理信息的高斯过程回归(PhI-GPR)方法,并将其用于稀疏测量下三机系统的相角、角速度和风力机械功率的概率预测和估计。在标准的数据驱动的高斯过程回归(GPR)中,先验统计的参数化模型通过最大化观测数据的边际似然来拟合,而在PhI-GPR中,我们通过求解控制电网动态的随机方程来计算先验统计。风力发电为主的电网系统的短期预测是复杂的随机性质的风和由此产生的不确定的机械风力发电。在这里,我们假设电网动态是由摆动方程,我们把未知项摆动方程(特别是,机械风力发电)作为随机过程,这把这些方程随机微分方程。我们使用蒙特卡罗模拟方法求解这些方程的平均值和方差的电网系统。我们证明,所提出的PhI-GPR方法可以准确地预测和估计观测和未观测的状态,包括平均行为和相关的不确定性。对于观察到的状态,我们表明,PhI-GPR提供了一个预测与标准的数据驱动的GPR,这两个预测显着更准确的自回归综合移动平均(ARIMA)预测。我们还表明,ARIMA预测是更敏感的观测频率和测量误差比PhI-GPR预测。
2020-10-09 cs.LG cs.SY eess.SY
Of All StrIPEs: Investigating Structure-informed Positional Encoding for Efficient Music Generation
本文提出基于核方法的统一框架分析 RFF 与旋转矩阵两类高效位置编码,并据此开发 RoPEPool 方法,在旋律和声化任务中结合结构先验取得最优效果。
2025-04-07 cs.AI cs.LG cs.SD
Physics-Informed Deep Neural Network Method for Limited Observability State Estimation
Columbia University(哥伦比亚大学);Tel Aviv University(特拉维夫大学);National Renewable Energy Laboratory(国家可再生能源实验室)
为了确保最佳和可靠的电网运行,关于电网状态的精确知识是重要的。具体而言,了解配电网的状态变得越来越重要,因为更多的可再生能源直接连接到配电网中,增加了注入功率的波动。在本文中,我们考虑的情况下,配电网成为部分可观测的,和状态估计问题是欠定的。我们提出了一种新的方法,利用深度神经网络(DNN)来估计网格状态。标准DNN训练方法被修改为显式地包含电网拓扑和线路/并联导纳的物理信息。我们表明,我们的方法导致一个优越的精度的估计相比,没有物理信息时提供的情况下。最后,我们比较了我们的方法的性能标准的状态估计的方法,这是基于加权最小二乘与伪测量,并表明我们的方法执行显着更好的估计精度。
2020-02-16 cs.LG cs.SY eess.SP
Shape-informed cardiac mechanics surrogates in data-scarce regimes via geometric encoding and generative augmentation
MOX Laboratory, Department of Mathematics, Politecnico di Milano(米兰Politecnico大学数学系MOX实验室);Division 2.2 Process Simulation, Bundesanstalt für Materialforschung und -prüfung (BAM)(材料研究所(BAM)第2.2过程模拟部);Department of Mathematics, University of Trento(特伦托大学数学系)
本文提出了一种基于几何编码和生成增强的两步框架,用于在数据稀缺条件下实现形状感知的心脏力学替代模型,通过学习紧凑的潜在表示和神经场模型,提高跨不同解剖结构的泛化能力。
2026-02-23 cs.AI cs.LG cs.NA
Physics-Informed but Not Physics-Consistent: Error Geometry and Subspace Projection for Neural AC Power Flow
Friedrich-Alexander-Universität Erlangen-Nürnberg(埃尔朗根-纽伦堡大学)
研究神经潮流求解器的预测误差几何,通过奇异值分解和校准子空间投影抑制子空间外分量,显著降低功率平衡残差并提升电压精度,实现物理一致性。
2026-10-06 cs.AI cs.LG
Transferable Deep Learning Power System Short-Term Voltage Stability Assessment with Physics-Informed Topological Feature Engineering
本文提出从原始PMU数据构建拓扑感知、融入物理信息的电压动态特征,并结合深度学习实现可跨电网拓扑迁移的短期电压稳定评估。
2023-03-13 cs.LG cs.SY eess.SP
Learning Physics-Informed Surrogate Model of Linear Elastic Displacement Fields from Geometry
PROMES-CNRS, Université Perpignan Via Domitia (UPVD)(法国国家科学研究中心佩皮尼昂大学多姆itia分校能源与过程系统优化实验室);LAAS-CNRS, Université de Toulouse (UT)(法国国家科学研究中心图卢兹大学航空航天系统实验室)
针对断裂弹性域实时结构健康监测,提出物理信息深度神经网络框架,不依赖有限元训练数据,通过专用编码策略从边界条件和断裂几何预测位移场,以局部惩罚项施加无牵引力条件,用数值示例证明可行性。
2026-07-13 cs.LG
A systematic review of biologically-informed deep learning models for cancer: fundamental trends for encoding and interpreting oncology data
University of Manchester(曼彻斯特大学);CRUK Manchester Institute(英国癌症研究中心曼彻斯特研究所);Idiap Research Institute(Idiap研究所)
人们越来越关注使用基于深度学习(DL)的方法作为肿瘤学的支持分析框架。然而,DL的大多数直接应用将提供有限的透明度和可解释性的模型,这限制了它们在生物医学环境中的部署。这篇系统综述讨论了用于支持癌症生物学推断的DL模型,特别强调多组学分析。它侧重于现有的模型如何解决需要更好地对话与先验知识,生物可解释性和可解释性,在生物医学领域的基本属性。为此,我们检索和分析了42项研究,重点是新兴的架构和方法的进步,生物领域知识的编码和可解释性方法的整合。我们讨论了最近的进化拱DL模型的方向,整合以前的生物关系和网络知识,以支持更好的概括(例如,途径或蛋白质-蛋白质相互作用网络)和可解释性。这代表了一个基本的功能转移到模型,可以集成机械和统计推理方面。我们引入了生物中心的可解释性的概念,并根据其分类,我们讨论了在这样的模型中的领域先验知识的集成表示方法。本文提供了一个批判性的前景到当代方法的解释性和可解释性用于癌症的DL。分析点之间的收敛编码先验知识和改进的可解释性的方向。我们引入生物为中心的可解释性,这是对DL模型的生物可解释性的形式化和开发方法,是较少的问题或应用程序特定的重要一步。
2023-01-24 cs.AI cs.LG q-bio.QM
Random Grid Neural Processes for Parametric Partial Differential Equations
University of Cambridge(剑桥大学);Imperial College London(帝国理工学院);The Alan Turing Institute(艾伦·图灵研究所)
本文提出随机网格变分神经过程与GICNets架构,将配点网格概率化并融合非网格含噪数据,用于参数化PDE正、反问题求解。
2023-06-07 cs.LG cs.NA math.NA
Beyond Grid-Locked Voxels: Neural Response Functions for Continuous Brain Encoding
Cornell University(康奈尔大学);Cornell Tech(康奈尔科技);Weill Cornell Medicine(韦尔医学院)
NRF通过连续函数建模大脑响应,超越传统扁平体素方法,提升跨受试者适应性能。
2026-02-09 cs.LG eess.IV q-bio.NC
How Learnable Grids Recover Fine Detail in Low Dimensions: A Neural Tangent Kernel Analysis of Multigrid Parametric Encodings
University of Maryland, College Park(马里兰大学 College Park 分校)
针对低维映射神经网络难以学习高频信息的问题,本文通过神经正切核分析比较傅里叶特征编码与多网格参数编码,证明后者通过网格结构提升性能,实验验证其在图像和表面回归任务中精细细节学习效果更优。
2025-04-18 cs.CV cs.LG
PEPS: Positional Encoding Projected Sampling -- Extended
本文提出PEPS方法,通过将位置编码分解为有意义的点,用于改进隐式神经表示,提升图像表示、纹理压缩和签名距离函数等任务的性能,且参数更少。
2026-04-27 cs.CV cs.GR cs.LG
ScoutNeRV: Rapid Encoding of Grid-Based Video INRs via ScoutNet
Islamic Azad University, Neyshabur(伊斯兰阿扎德大学内沙布尔分校)
ScoutNeRV通过轻量级侦察网络和记忆库中的专家初始化,加速分层视频INRs的优化,在保持竞争力的同时实现9.25倍加速。
2026-09-24 cs.CV cs.LG
BaRISTA: Brain Scale Informed Spatiotemporal Representation of Human Intracranial Neural Activity
University of Southern California(南加州大学)
BaRISTA提出了一种多区域神经活动时空变换器模型及自监督任务,通过调整空间尺度提升下游解码性能。
2025-12-13 cs.AI cs.LG q-bio.NC
Shape-informed surrogate models based on signed distance function domain encoding
Politecnico di Milano(米兰理工大学);Beihang University(北京航空航天大学)
提出一种基于两个神经网络的无网格代理模型方法,通过符号距离函数自动编码域形状,结合傅里叶特征映射,在任意形状域上高效准确地预测PDE解,无需手动参数提取。
2024-09-19 cs.LG cs.NA math.NA
Deep Cut-informed Graph Embedding and Clustering
针对基于GNN的深度图聚类存在表示坍缩问题,本文提出非GNN的DCGC框架,通过割信息图编码和最优传输聚类,有效缓解坍缩并提升聚类性能。
2025-04-25 cs.AI cs.LG
PhyGNNet: Solving spatiotemporal PDEs with Physics-informed Graph Neural Network
求解偏微分方程是物理学、生物学、化学等领域的重要研究手段。作为数值方法的一种近似替代方法,PINN得到了广泛的关注,并在许多领域发挥了重要作用。然而,PINN使用全连接网络作为其模型,在时间和空间上都具有有限的拟合能力和有限的外推能力。在本文中,我们提出了PhyGNNet解决偏微分方程的基础上的图神经网络,其中包括编码器,处理器和解码器块。特别地,我们将计算区域划分为规则网格,在网格上定义偏微分算子,然后构造pde损失对网络进行优化,构建PhyGNNet模型。通过对Burgers方程和热传导方程的对比实验验证了该方法的有效性,结果表明,与PINN方法相比,该方法在时间和空间上都具有更好的拟合能力和外推能力。
2023-03-21 cs.LG cs.NE