weixin_43838187的博客

原创 时间序列预测选择性学习

本文通过“选择性学习”策略，精准识别并排除时序数据中的“噪声/异常步”，显著缓解深度模型的过拟合问题，在多项基准测试中实现突破性性能提升，为时间序列预测领域提供了高效且易推广的解决方案。

原创 移动平均滤波器的核心概念

原创 时间序列数据自监督伪标签方法

SCAM 提出了一种“从标签出发”的自监督学习新范式，通过重建网络生成伪标签，并用自适应掩码替代原始标签中过拟合的部分，从而显著提升时间序列预测模型的泛化能力，尤其适合噪声多、标签质量差的现实场景。

原创 动态贝叶斯网络

本文是动态图模型领域的奠基性综述，不仅统一了传统 HMM 与 SSM 的建模框架，更通过 interface 理论与 RBPF 等算法，解决了高维、混合、非线性系统的可扩展推理难题，为现代时序智能系统提供了理论与方法底座。

原创 信念集和不动点理论

给定更新算子 𝑓，把当前信念集合 𝑪 映射到新的集合 𝑪′=𝑓(𝑪)。若某个集合 𝑪∗ 满足 𝑓(𝑪∗)=𝑪∗，则称 𝑪∗ 是 𝑓 的一个不动点。直观理解：迭代到 𝑪∗ 后再继续“学习”也不会再改变模型，系统进入稳态。

原创 知识蒸馏与PINN4

主要内容：提出物理感知稀疏光电卷积神经网络 PI-OPCNN，融合散斑相关物理理论与光学神经网络。通过通道剪枝减少参数，结合知识蒸馏恢复性能，在光学平台实现散斑自相关预处理，在不同散射介质和成像位置下，兼顾重构性能与泛化能力。

原创 知识蒸馏和PINN3

PIDDM 通过“后处理蒸馏”把物理约束直接施加在最终样本，绕过 Jensen Gap，首次实现扩散模型单步、高保真、PDE 一致的物理生成，为实时物理模拟与逆问题求解提供了新范式。

原创 知识蒸馏和PINN2

SKD-PINNs 把“自己教自己”的思想首次引入物理信息神经网络，通过“可信区域自蒸馏”在几乎不增加参数的前提下，显著加速收敛、提升精度，并可作为通用插件无缝赋能现有各类 PINN 方法。

原创 知识蒸馏和PINN1

作者：Ziti Liu, Yang Liu, Xunshi Yan 等期刊：Nature Communications (2025-10-29 在线发表)开源代码：https://github.com/ZitiLiu/Psi-NN。

原创 变速工况故障诊断

故障诊断面临挑战：在变速工况下，故障样本的类内差异增大，类间差异减小，导致样本特征重叠、难以区分。传统机器学习方法和现有迁移学习方法（如基于MMD、对抗训练的方法）在全局分布对齐时忽略类内与类间分布差异，诊断性能下降。现有方法的局限：基于距离度量的方法对核函数选择敏感，高维特征对齐效果不佳。使用强增强样本进行扰动训练，通过一致性损失调整决策边界至样本稀疏区域，提升对难分样本的识别能力。引入不确定性重加权的类混淆最小化（CCM），通过重置信样本权重，实现类内紧凑与类间分离，减少负迁移。

原创 多模态的研究

方法：论文提出条件潜在分化变分自编码器（LD-CVAE），通过变分信息瓶颈 Transformer 提取病理图像压缩表征，结合潜在分化变分自编码器生成多功能基因组嵌入，再利用专家乘积技术融合多模态后验分布并引入对齐损失，实现基因组数据缺失场景下稳健的多模态癌症生存预测。论文提出 FeatProto 多模态特征原型学习框架，整合全切片图像的全局与局部特征及基因组数据构建统一特征原型空间，通过指数移动平均原型更新策略、分层原型匹配方案及原型 - 生存融合损失函数，实现可解释且具区分性的癌症生存预测。

原创 基于混合小波-傅里叶特征嵌入与Kolmogorov-Arnold样条网络的二维物理信息神经网络求解器

首先构建混合小波-傅里叶特征嵌入层，将输入的三维坐标数据（空间坐标x、y和时间坐标t）映射到高维特征空间。然后采用基于Kolmogorov-Arnold表示定理的样条神经网络核心架构，该网络使用B样条基函数作为非线性激活函数，内部首先进行线性变换将嵌入特征投影到隐藏空间，通过可学习的尺度参数调整激活函数敏感度，B样条基函数通过控制点系数进行加权组合形成复杂的非线性映射，最后通过外部线性层产生最终输出。│ ├─ 傅里叶特征提取（x,y,t的正弦+余弦分量）├─ 边界条件采样（x和y方向的周期性配对点）

原创 时间序列分析2

时间序列分析和因果分析代码开源论文链接：https://arxiv.org/abs/2508.00658。

原创 时间序列分析

时间序列分析与因果学习。

原创 图神经网络

链接：https://arxiv.org/abs/2307.03759。

原创 图神经网络综述

本综述系统性地总结了 GNN 在现实世界中面临的四大挑战及其解决方案，提出了一套清晰的分类体系，并指出了未来研究的五大方向。它不仅为研究者提供了全面的技术概览，也为工业界部署可靠、鲁棒的 GNN 模型提供了实践指导。

原创 非平稳环境下非分布泛化的进化图学习

EvoGOOD 是首个从环境演化角度研究动态图OOD泛化问题的框架，具有以下优势：理论保障：通过不变性假设和充分性条件，提供OOD误差上界。建模全面：显式建模环境演化，支持对未来环境的预测与干预。实验充分：在多个真实与合成数据集上验证其在链接预测和节点分类任务中的优越性。该研究为动态图在非平稳环境下的可靠学习提供了重要理论基础与实践工具。

原创 深度学习在实证中应用

原创 实证文章的解剖

原创 时间序列分类 | SoftShape：基于混合专家网络的时间序列Shapelet分类模型

软稀疏化策略保留更多信息；MoE + 共享专家机制同时建模局部与全局模式；在 UCR 数据集上全面领先，适用于多种实际场景。

原创 少样本参数推断

物理信息神经网络针对每个新问题都需要进行大量的重新训练，这限制了其在少样本场景中的适用性。我们开发了一个元学习框架，该框架能够以最少的数据快速适应新的物理问题，同时保持物理一致性。我们将基于梯度的元学习与物理信息约束相结合，纳入了自适应约束加权和自动物理发现。该框架通过梯度下降优化参数，以实现快速适应，同时在内部和外部优化循环中强制执行偏微分方程约束。

原创 《时间序列分析》

原创 损失函数记录

损失函数可以分为回归损失和分类损失。

原创 不常见机器学习算法

【代码】不常见机器学习算法。

原创 风控评估指标Divergence

原创 样条函数理解

以采用矩形法、梯形法还有抛物线法求任意曲边形近似面积来理解，今天把分段多项式，甚至分段解析函数，通称为样条函数。样条函数的这种数学定义，来源于实际中的样条曲线，绘图员沿着受压铁约束的样条，画出各种曲线，这种样条曲线可以看作是弹性细梁受集中载荷作用而生成的挠度曲线。在挠度不大情况下，这种挠度曲线在数学上恰好表现为上述定义中的三次样条函数，集中载荷的作用点，恰好是三次样条函数的结点knot。综上所述，样条函数就是分段函数。

原创 KAN神经网络

原创 CrackGen：融合控制扩散与物理机理的数据合成方法

CrackGen 是一个融合微调Stable Diffusion与ControlNet模型适应阶段使用极小的真实裂缝数据集（如200张图像）对预训练的Stable Diffusion模型进行微调。集成ControlNet，使其能根据输入的裂缝骨架图生成对应图像。裂缝草图生成阶段提出一种改进的RRT算法，模拟真实裂缝的分形扩展路径。支持障碍物设置、宽度控制、复杂度调整（通过参数），生成多样化且物理合理的裂缝骨架。合成阶段。

原创 从cPIKAN到RGA-KAN

物理信息深度学习中的网络架构创新：从cPIKAN到RGA-KAN（附代码数据）

原创 启发式算法vs精确算法

转自：运筹说。

原创 具身智能和升深度学习

论文作者：Junzhe He, Chong Zhang, Fabian Jenelten, Ruben Grandia, Moritz Bächer, Marco Hutter。论文地址：https://www.science.org/doi/10.1126/scirobotics.adv3604#M1。

原创 学习优化器

链接：https://mp.weixin.qq.com/s/0lGLVOEwhlJICW3IDWIJ9A。写的真好，所以学到最后还是数学。转自：机器学习记事本。

原创 多策略差分进化算法

嗯，了解过启发式算法，但是，没了解过还能把强化学习给引入进来，也比较好奇，这是个多策略差分进化算法是个什么东西。查了一下资料，结果：“多策略差分进化算法（MS-DE）本质上是为了解决“单一策略难以兼顾勘探与开发”，即风速在涡轮机后方减弱，导致下游涡轮机的能源输出下降。在RLDEA中，强化学习动态调整变异策略和控制参数，以选择最合适的进化策略。风能作为一种清洁、取之不尽的可再生能源，风力发电机的优化布局可以显著提高能源输出并降低成本，，RLDEA在求解组合优化问题时展现了强大的优化能力。

原创 高分空间聚类算法CellCharter

代码：https://github.com/CSOgroup/cellcharter这个算法一开始是用在多种空间组学平台生成的数据中，对细胞微环境进行识别、特征刻画与跨样本比较。在多项测试中，CellCharter 在识别大规模空间数据中的组织结构方面表现优异，可处理包含数百万个细胞、数百个样本的复杂数据集。CellCharter是一个利用变分自编码器（VAE）和scVI/scArches技术，专为大规模空间组学数据设计的聚类分析框架。

原创 论文阅读分享:空间注意力+通道注意力

代码地址:https://github.com/SCNU-RISLAB/CNN-Transformer-and-Multidimensional-Attention-Mechanism作者指出，在语音情感识别领域，主流方法有两大流派，但各有缺点：CNN派（如卷积神经网络）：Transformer派：注意力机制的问题：总结痛点：现有模型要么“看得近”，要么“看得粗”，而且对时间动态的关注不够。为了解决上述问题，作者设计了一个三合一的系统，如下图所示，它就像一个分工明确的流水线：这个系统由三个核心模块顺序构

原创 文选阅读分享：聚类做有监督

作者在引言和相关工作中指出，尽管现有的模糊神经网络在分类任务中表现出色，但仍存在以下主要问题：1.前提与结论参数学习分离：传统模糊神经网络往往将前提（IF部分）和结论（THEN部分）的参数学习分开，导致模型难以充分捕捉输入与输出之间的复杂非线性关系。2.对不确定性的建模不足：传统模糊C均值（FCM）等方法基于确定性距离度量，缺乏对数据分布不确定性的建模能力。3.计算复杂度高：尽管贝叶斯方法理论上能更好地建模不确定性，但传统MCMC方法在大规模数据或高维参数空间中计算成本高昂，难以应用于实时场景。

原创 论文阅读分享：PINN

这篇综述系统总结了 PINN 在理论、方法、应用方面的最新进展，并指出了其在高维、非线性、多尺度、复杂边界 PDE 问题中的巨大潜力。尽管在泛化性、效率、多目标优化和精度方面仍存在挑战，但通过网络架构创新、优化策略和跨领域融合，PINN 正逐步成为科学与工程计算中的重要工具。

原创 数据标准化和归一化区别

原创 论文阅读分享：图神经网络

特性 解释 比喻局部连接每个神经元只连接前一层的一小块区域，而非全部。你看书时，一次只聚焦于几个字，而不是整页。权重共享同一个滤波器（权重）在整个图片上共享。用同一把“垂直边缘探测器”扫描整个图片。池化对特征图进行下采样，降低维度，保持主要特征。阅读一段文字的摘要，而不是全文。层次化结构浅层学基础特征（边缘），中层学部件特征（眼睛），高层学抽象特征（脸）。组装乐高：先有小积木（边缘），再有窗户/门（部件），最后有城堡（物体）。

原创 论文阅读分享:时空预测

把一维圣维南方程残差嵌入动态图神经网络，再以课程式多步训练策略，就能在数据稀缺、极端事件、长预见期三大痛点下，同时实现高精度、高可解释、高一致性的水位预测——且代码与模型已开源，可直接嵌入水利部现有的湘江数字孪生平台。官方代码（PyTorch 1.13） https://github.com/HHU-STL/Phy-STE 含数据预处理、训练、评估、可视化。极端事件 2020-07-12 超警洪水（重现期≈20 a）、2022-09-02 历史枯水。✅ 二、本文创新点（作者宣称的“3+2”框架）