本文介绍了FlowEdit，一种基于预训练流模型的无反演文本编辑方法。该方法通过构建源目标分布的常微分方程，解决了传统反演方法的不足，降低了传输成本，实现了更优的编辑效果。

IQ是一个Rust库，支持通过简单路径语法查询复杂数据结构，提取深层值。DiffSol是另一个Rust库，用于求解常微分方程，支持自定义向量和矩阵类型。

本研究提出了木偶卷积神经网络（Puppet-CNN），利用常微分方程生成适应输入复杂度的网络结构，解决了深度卷积神经网络在参数存储与优化上的挑战。该方法实现了模型显著压缩，大小减少超过10倍，同时提升了性能和效率。

本文提出了一种新的预测校正学习框架，旨在提高残差网络在常微分方程中的精度。该方法通过减少截断误差，增强高阶预测器的学习效果，在多个基准测试中表现优异，尤其在大型机器翻译任务中显著提高了BLEU分数，展示了提升模型性能的潜力。

本文介绍了基于物理学的神经网络（PINNs）及其在计算科学中的应用，提出了自适应细化方法（RAR）、分布式PINN（DPINN）和密集乘积PINN（DM-PINN）等改进算法，并展示了它们在解决偏微分方程（PDE）和常微分方程（ODE）中的有效性。同时，研究探讨了PINNs的理论基础及其在复杂几何域中的应用。

本文探讨了高斯-马尔科夫先验在常微分方程数值解中的应用，提出了一种基于Rademacher泛化界限的泊松模型学习算法，并介绍了新的度量区间不等式方法和高维统计推断方法perturb-max。这些方法提高了MAP预测器的效率和准确性，结合贝叶斯模型校准和随机扰动，优化了模型参数的估计。

本研究提出了一种利用人工神经网络解决初始和边界值问题的方法，结合了满足边界条件的试验解和前馈神经网络。通过对多种模型问题的实验，验证了该方法在单个常微分方程（ODE）、耦合ODE系统及偏微分方程（PDE）中的适用性。同时，研究探讨了神经常微分方程在不确定性量化和最优控制问题中的应用，展示了其在多个领域的潜力。

本文探讨了基于得分的生成建模中概率流常微分方程（ODE）的应用，分析了其收敛性和复杂性，提出了多项式时间收敛性保证，比较了确定性与随机采样方法的性能差异，并评估了扩散模型在计算机视觉中的应用，指出在特定条件下，扩散系数的变化能显著提高样本质量。

本文介绍了如何通过整合贝叶斯学习框架来量化神经普通微分方程中权重的不确定性，并展示了在MNIST数据集上使用GPU加速的推理方法成功集成神经ODE的实验结果。同时，首次证明了变分推理与标准化流和神经ODE的成功整合，生成了强大的贝叶斯神经ODE对象。最后，演示了如何利用常微分方程概率地识别部分描述的动力系统中的模型规范，为探索认识上的不确定性提供了科学的机器学习工具。

通过重新参数化扩散过程和直接使用网络估计图像和噪声，逆扩散过程在速度和质量方面取得了显著改进。改变后的模型能够更快生成高质量图像，并通过多种度量得出更高质量的生成图像。

ODEFormer是一种能够从单个解轨迹的观察中推断出符号形式的多维常微分方程系统的transformer。它在两个数据集上进行了广泛的评估，并且在噪音和不规律采样观测方面显示出明显改进的性能和更快的推断速度。代码、模型和基准数据集已公开发布。

本文介绍了如何通过整合贝叶斯学习框架来量化神经普通微分方程中权重的不确定性，并展示了在MNIST数据集上使用GPU加速的推理方法成功集成神经ODE的实验结果。同时，证明了变分推理与标准化流和神经ODE的成功整合，生成了强大的贝叶斯神经ODE对象。最后，演示了如何利用常微分方程概率地识别部分描述的动力系统中的模型规范，为探索认识上的不确定性提供了科学的机器学习工具。