受物理启发的神经图 ODE 用于长期动态仿真
原文中文,约200字,阅读约需1分钟。发表于: 。通过使用物理启发的神经图常微分方程算法(Physics-Inspired Neural Graph ODE),我们提出了一种更好地建模离散监督信号下潜在轨迹的方法,同时利用基于 GNN 的模型以插拔的方式对神经图常微分方程进行参数化,实验证明我们的模型在长期预测和演化误差方面相较于现有方法有数量级的提升。
本文介绍了一种新颖的基于图的多-ODE神经网络(GRAM-ODE)架构,通过不同视图捕捉复杂的局部和全局动态时空依赖关系,学习更好的表示。GRAM-ODE在六个真实数据集上相比最先进的基线方法具有明显的优势,并且不同组件对整体性能有贡献。