Massimiliano Pontil

新框架从有偏样本中重建随机动力学

研究人员引入了Langevin-Informed Transfer Learning (LITL)，一个新颖的框架，旨在仅使用黑盒反馈从有偏或静态样本中重建目标Langevin动力学。LITL专注于学习目标无穷小生成器和投影漂移的光谱结构，从而实现动力学重建和慢流形梯度场估计。该框架得到了关键估计的有限样本保证的支持，并在恢复物理过渡时间尺度、从生成模型构建动力学结构以及实现神经网络的事后潜在控制方面取得了实证成功。