GrINd: 网格内插网络用于离散观测
原文中文，约300字，阅读约需1分钟。发表于：。通过将稀疏的观测数据映射到高分辨率的网格空间，并利用可微分的 ODE 求解器和完全卷积神经网络预测未来的时间点上系统的状态，GrINd 为从稀疏、分散的观测数据中预测物理系统的演变提供了一种有前景的方法。
该文章介绍了一种新颖的网格无关模型，用于从具有噪声和部分观测的不规则时空网格中学习偏微分方程。该模型具有高效的概率框架和新颖的编码器设计，能够提高数据效率和网格独立性。通过分摊变分推断和多射击技术，该模型在复杂的合成和真实世界数据集上展示了最先进的性能，能够有效处理部分观测数据。该模型优于最近的方法，显示了推进数据驱动的偏微分方程建模的潜力，并能够对复杂的部分观测动态过程进行稳健、网格无关的建模。
