离散专家时空模型

适应复杂场景

通过光流估计与神经离散学习结合，该模型可以在各种复杂场景中捕捉物理演化规律，且具有可解释性。

王坤 · 吴浩 · Guibin, Zhang · Junfeng, Fang · Liang, Yuxuan · Wu, Yuankai · Zimmermann, Roger · 王阳

IEEE Transactions on Knowledge and Data Engineering 2024

技术优势

适应复杂场景

通过精细化的物理流水线设计，该模型能捕捉局部特征，这些特征可能受到各种内部上下文信息的影响，并与系统宏观特性相矛盾。

可解释性强

利用神经离散学习揭示潜空间中的重要特征，该过程更好地注入可解释性，从而获得关于离散随机变量的强大先验。

性能提升显著

在多个数据集上与现有SOTA基线相比，所提出的框架取得了较大的性能优势。

应用场景

• 物理过程建模：为物理过程提供数据驱动的演化规律捕捉，减少对精确PDE的依赖。
• 视频预测：基于视频帧序列建模时空动态，预测未来状态变化。
• 科学机器学习：结合领域知识与神经离散学习，提升科学建模的可解释性。
• 复杂系统仿真：在复杂场景中捕捉局部与宏观特性的矛盾，实现更准确的系统仿真。