本研究提出了一种新颖的轨迹流匹配（TFM）方法，旨在解决医学领域中随机且不规则采样时间序列建模的挑战。该方法提高了神经随机微分方程的训练稳定性，并在三个临床数据集上显示了显著的性能提升和不确定性预测能力。

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。

本文探讨了神经随机微分方程（Neural SDEs）在控制动力学模型、时间序列建模和风险评估中的应用，提出了SCOTCH结构学习、神经跳跃SDE和图神经SDE等新方法，展示了其在处理不规则时间序列数据和市场风险中的有效性。

该论文提出了一种结合多层求解器与深度学习的方法，解决高维偏微分方程的数值解问题。通过最大似然方法优化参数近似，实验验证了其在多元回归和随机微分方程参数估计中的有效性。提出的神经随机微分方程模型在不确定性任务中表现优于现有方法。

该论文提出了一种利用神经随机微分方程（SDEs）解决ResNet-like模型在意外辐射发射（URE）分类中的鲁棒性和可解释性的方法。实验证明，神经SDE模型具有更强的鲁棒性和更有意义的解释。该方法对于开发在数据本质上嘈杂且可解释机器学习预测的实际URE应用来说，是一小但重要的步骤。

本文提出了一种利用神经随机微分方程（SDEs）解决ResNet-like模型在意外辐射发射（URE）分类中的局限性的方法。实验证明，神经SDE模型比ResNet模型更具鲁棒性，即使在高斯噪声下也能保持高F1分数。此外，神经SDE模型成功恢复了输入数据中的时不变或周期性水平带，这一特征在ResNet-like模型生成的解释中明显缺失。