11:40
官方账号arXiv cs.LG@Juncheng Zhong, Chenghuang Shen, Jianfeng Liu, Zhengdong Xiao, Longjiu Luo, Qianrong Wang, Wenjun Xu, Wenlian Lu
推荐理由：把方程选择跟神经优化拆开：先冻结场重建，再用SVWS筛项。六个MDBench稀疏场景恢复率最高，KS方程提升最大。
MDBench
共 1 条相关 AI 资讯
8月3日
11:40
该论文分析耦合神经PDE发现中的优化路径，发现三种行为：正确支撑集可以持续到训练结束、仅短暂出现或始终未出现。作者提出冻结-再选择方法，用结构化场适配器将场分解为空间特征与三次样条时间系数，在不依赖PDE残差的情况下训练。之后用稳定性验证弱选择（SVWS）在独立弱形式系统中识别重复项、重拟合候选支撑并选出最终方程。在MDBench全部六个稀疏场景中，该方法取得了最高的精确支撑恢复率，在Kuramoto-Sivashinsky动力学上比经典和神经基线提升最明显。对固定库之外，方法还能用于遗传编程生成的表达式，从稀疏含噪观测中恢复未知非线性扩散函数的幂律形式。