PulseAugur
中
实时 10:14:02
English(EN) NeuralDMD: Interpretable Neural Representation of Dynamics from Sparse and Noisy Measurements

NeuralDMD框架从稀疏数据中重建时空动力学

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出NeuralDMD，一个新颖的框架，它结合了神经隐式表示和动态模式分解（DMD），以从稀疏和噪声测量中重建连续的时空动力学。这种可解释的、未经训练的方法将DMD模式参数化为连续的神经场，并通过低秩线性动力学先验强制执行时间连续性。NeuralDMD在天气数据同化和分析银河系中心A*的干涉测量观测等任务中，表现优于现有方法，在预测方面表现稳定，并具有非线性应用的潜力。 AI

影响 能够从有限数据中更准确地重建和预测复杂时空系统。

排序理由 该集群包含一篇详细介绍新计算框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

NeuralDMD框架从稀疏数据中重建时空动力学

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ali SaraerToosi, Renbo Tu, Esther Y. H. Lin, Kamyar Azizzadenesheli, Aviad Levis ·

    NeuralDMD: 从稀疏和噪声测量中可解释的动力学神经网络表示

    arXiv:2507.03094v2 Announce Type: replace-cross Abstract: Many challenges in scientific imaging involve solving ill-posed inverse problems, where the goal is to recover spatio-temporal fields from indirect, noisy, and highly sparse measurements - often without access to ground tr…

相关实体

相关话题