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。

本研究提出了连续轨迹的神经常微分方程模型，通过引入负反馈机制解决了现代方法在建模事件序列时的不足，性能达到最先进水平，AUROC提升20%。

研究者提出了一种基于神经常微分方程的优化框架NODER，通过引入潜在空间来降低处理高维图像卷积的计算成本。实验结果表明该方法在3D图像回归中达到了最先进的性能。

本研究介绍了利用神经常微分方程进行图像配准的方法，以帮助理解医学图像分析中的生物动态。该方法能够学习动态并规范转换轨迹。

本文介绍了一种使用神经常微分方程的新方法，通过学习部分微分方程模拟时子网格规模模型效应，提高低阶DG逼近的准确性，并加速滤波器高阶DG模拟。该方法在不同雷诺数和时间的多维Taylor-Green涡旋中展示了良好的性能。

我们提出了SMURF方法，利用神经常微分方程（Neural-ODE）建模相机连续运动，通过显式体积表示方法加快训练速度和提高对模糊图像的鲁棒性，有效处理相机运动带来的模糊问题。经过基准数据集的严格评估，我们的模型在定量和定性方面展现出最先进的性能。

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。

本文研究了神经常微分方程（Neural Ordinary Differential Equations）的训练，探讨了数值积分技术、稳定区域、步长和初始化技术之间的相互作用。文章展示了积分技术的选择如何隐式地对学习模型进行正则化，并且求解器的相应稳定区域如何影响训练和预测性能。在此分析的基础上，引入了一种基于稳定性的参数初始化技术。该初始化方法在多个学习基准和工业应用中显示出效果。

本文介绍了一种利用神经常微分方程构建的技术，提高了参数共享的预训练语言模型的推理效率，并实现了更大的推理加速。实验结果证明了该方法在自回归和自编码 PLMs 上的有效性，并为在资源受限环境中更高效地利用参数共享模型提供了新的见解。

InfoGCN++是用于在线基于骨骼的动作识别的扩展，采用神经常微分方程建模隐藏状态的连续演变，在三个基于骨骼的动作识别基准测试中表现出卓越性能，具有实时动作识别应用潜力。