qq5q13638的博客

介绍了几种重要的因果发现方法，具体包括功能性因果发现（Functional Causal Discovery）、加性噪声模型（Additive Noise Model, ANM）和线性非高斯有向无环图模型（LiNGAM）。这些方法旨在通过分析数据中变量之间的关系来确定因果方向。

脉冲神经网络（SNN）是模拟生物神经行为的计算模型，它们通过模拟神经元的脉冲活动来处理信息。SNN的研究可以追溯到最早的**被动膜模型**，这些模型试图描述神经元的电生理特性。本博客将从SNN的起源讲起，逐步深入到**HH模型**的基本原理，再到**Izhi模型**的简化与应用。我们将通过Yamamoto2024的论文，探讨SNN如何与湿实验相结合，以及这种结合如何推动了神经科学和人工智能的交叉发展。

这一篇文章叫做 **数据驱动**的**坐标发现与方程发现算法**。想回答的问题很简单，就是根据数据写方程。想想牛顿的处境，如何根据各种不同物体下落的数据，写出万有引力的数学公式的。这篇文章就是来做这件事的。当然，这篇论文并没有从牛顿视角，完全去思考牛顿所想。而是利用现有的**深度学习技术** 和 **动力学重构的方法** 。提出了一种框架，基于现有的计算机技术，去发现物质运动背后的物理规律。这里直接给出这篇方法的核心思路图，我们后面会逐个讲解。

这一篇文章，主要是给非线性动力学，对微分方程模型参数拟合感兴趣的朋友写的。笼统的来说，这与混沌系统的预测有关；传统的机器学习的模式识别虽然也会谈论预测结果，但他们一般不会涉及连续的预测。这里我们考虑的是，连续的预测，而不仅是进行一步预测。比如生物神经元的发放序列，股票序列，天气序列等等。