本研究提出了一种新框架“部分观测下重新启用 PDE 损失”（RPLPO），旨在在数据稀缺时有效利用偏微分方程损失。实验结果表明，RPLPO在观测数据稀疏的情况下显著提升了模型的泛化能力。

本研究利用图神经网络（GNN）模型，通过模拟星系团中的恒星质量来预测暗物质晕的质量，显示出比传统机器学习模型更优的预测性能，为未来的观测数据分析提供了新方法。

本文探讨了在个体轨迹不可观察的情况下，从观测数据中学习随机微分方程（SDE）的挑战。提出了一种新方法，通过时间边际联合估计SDE的漂移和扩散，并介绍了APPEX算法，具有广泛的应用潜力。

本研究提出了一种能够从观测数据中学习功能性因果模型的因果生成神经网络（CGNN），通过利用条件独立性和分布异质性来发现因果结构。CGNN 在因果推断、v - 结构识别和多元因果发现方面表现良好。

基于流匹配后验估计（FMPE）的机器学习方法比神经后验估计（NPE）更准确，但比嵌套采样方法稍低。将FMPE和NPE与重要性采样相结合，准确性和模拟效率均优于嵌套采样。基于仿真和基于似然的重要性采样提供了准确高效的大气检索框架，可用于分析现有望远镜的观测数据和新任务的开发。

该文介绍了一种新的概率图模型——概率关系网络，可以直接捕捉结构学习过程中的方向性循环依赖关系。该模型支持从观测数据中学习，并支持概率推断，在数据分析、专家决策和设计应用中具有潜在的用途。

该研究探讨了在非参数因果潜在模型和潜在数据映射到观测数据的变换模型下的因果表示学习。通过使用潜在因果图中每个节点的两个硬解耦干预，建立了可识别性和可实现性结果。

超新星是宇宙中形成重元素的重要来源，通过爆发将重元素抛向宇宙。超新星爆发有两种情况，质量较大的恒星内部压力无法抗衡引力而发生爆炸，形成中子星；质量较小的恒星吸积物质后引起爆炸。已知的超新星遗迹有蟹状星云、面纱星云、船帆座超新星遗迹和仙后座A超新星遗迹。美国国家科学基金会资助研究人员使用射电观测数据寻找更多银河系的超新星遗迹。研究超新星遗迹的意义在于了解它们的形状、元素分布以及与其他物质和天体的相互作用，以及研究气体云诞生下一代恒星的过程。

本文提出了子群体中的因果推断问题（s-ID），解决了只能访问目标子群体的观测数据的限制。作者提出了必须满足的因果图条件，并提出了一个完备可靠的算法。

本文回顾了物理学领域关于因果关系和方程式发现的概念、方法和相关工作，并展示了一系列案例。通过观察自然现象发现根本定律和因果关系的过程正在通过更好地利用观测数据、先进的机器学习算法和与领域知识的互动得到革命性的变革。