本研究提出了一种基于神经常微分方程（NODEs）的可解释深度学习方法，旨在解决医疗领域的“黑箱”决策问题，提高模型透明度和预测能力，为未来研究提供新方向。

本研究提出了PerturbODE框架，利用神经常微分方程建模扰动下的细胞状态轨迹，解决基因调控网络推断中的线性假设和动态处理不足问题。该方法在轨迹预测和基因调控网络推断中表现出高效性，具有重要的生物数据分析潜力。

本研究提出了一种半隐式神经常微分方程的方法，克服了经典方法的稳定性限制，提升了图学习和科学机器学习的效率与鲁棒性，且在多种应用中优于现有技术。

本研究提出了一种基于神经常微分方程的原型优化框架，旨在解决少样本学习中的原型偏差问题。通过引入元优化器MetaNODE，显著提升了模型性能，并通过E2MetaNODE提高了计算效率，减轻了传统方法的计算负担。

该研究提出了一种新方法，利用潜在神经常微分方程模型，加速量子光学单光子发射体的表征，实验时间缩短至20倍。

本研究探讨了神经常微分方程（ODEs）的鲁棒性，提出了LyaNet和CSODEs等改进方法，显著提升了预测性能和收敛性。同时，开发了高效的训练算法和分析框架，解决了传统ODE在动态系统建模中的不足，展示了在物理动态学习中的优势。

本研究通过神经常微分方程和通用微分方程分析捕食者-猎物模型的动态互动，发现通用微分方程在基础动态的预测和恢复方面表现更佳，且在高噪声数据中更具鲁棒性，推动了科学机器学习的应用。

本研究提出了一种基于深度生成模型的符号回归框架，结合图神经网络和神经常微分方程，提升了对复杂系统动态的理解与预测能力。该方法在稀疏观测数据下表现出色，具备高效性和解释性。

本研究提出了一种新方法，通过流匹配框架在嵌入空间中直接回归动态函数，解决了神经常微分方程在成对数据学习中的训练难题，显著提升了回归和分类任务的性能。

本研究为解决四足机器人游泳能力不足的问题，提出结合神经常微分方程和注意机制的数据驱动模型。结果表明，该模型能适应不同水动力条件，提高机器人在复杂水下环境中的自主决策和表现。

本文探讨了循环神经网络在事件序列处理中的应用，介绍了连续时间GRU及其优势，提出了神经常微分方程和神经随机微分方程等新方法，以提高时间序列建模的准确性和效率，并在多个领域验证了模型的有效性。

本文提出了一种新方法，通过贝叶斯学习对神经常微分方程（NODE）中的不确定性进行建模，自动化模型选择，并引入ALT-NODE模型以实现每个数据点独特的后验分布。研究表明，该方法在合成数据和图像分类中表现良好，提升了模型的鲁棒性和不确定性建模能力。

本研究探讨了神经常微分方程（ODE）在医学图像分析中的应用，提出了一种基于ODE的MRI图像重建优化方法，优于传统模型。同时，研究还涉及自我监督学习和时间序列数据分析，展示了ODE在图像分割和数据分类中的潜力。

本文提出了一种基于神经常微分方程的变分推断算法，利用马尔可夫跳跃过程近似后验分布，性能优于传统方法。同时介绍了基于Gibbs采样的快速算法和新的随机过程类别Markov神经过程，展示了其在建模和推断中的优势。

本文探讨了神经常微分方程（NODEs）的建模能力，提出了分支傅里叶神经算子（BFNO）和数据驱动的Taylor-Lagrange NODEs（TL-NODEs）等新方法，显著提高了计算效率和准确性。同时，研究展示了神经ODE在时间序列建模和医学图像分析中的应用潜力。

本研究提出了多种基于神经常微分方程的模型，如多关系图卷积网络和图神经随机微分方程，旨在提高时间序列预测的准确性和效率。实验结果表明，这些模型在多个基准数据集上表现优越，能够有效捕捉时空动态和处理不规则数据。

本文探讨了数据驱动框架和神经网络在预测复杂非线性时空过程中的研究进展，重点介绍了神经常微分方程（Neural ODEs）在动态系统建模、控制策略优化和不确定性量化中的应用，展示了其在多种数据集上的有效性和优势。

该研究探讨了神经常微分方程（ODE）在图像处理中的应用，包括超声心动图像分割、MRI图像重建和动态系统建模。提出了新模型NDDE和IMODE，显示出在处理复杂数据和提高计算效率方面的优势，具有广泛的应用潜力。

该研究提出了一种基于神经常微分方程的分类方法，通过检查隐藏层中每个神经元的数量来实现任务。研究还提供了一种量化神经元所需概率的新方法，并强调了维度和数据点数目增加时的行为。此外，还提出了一种有效降低多个数据点聚类复杂度的新算法。

本论文介绍了两种新型模型强化学习框架，使用神经常微分方程建模连续时间动力学，准确表征动态并开发高效策略。同时，基于模型的方法优化时间表，减少与环境交互频率，保持近乎最优性能。实验证明方法有效。