被誉为教科书,牛津大学231页博士论文全
<
机器之心报道
机器之心编辑部
牛津大学的这篇博士论文对神经微分方程（NDE）展开了全面细致的研究。论文作者表示，他希望这篇论文可以吸引到对深度学习与动力学系统结合感兴趣的读者，并希望为当前的SOTA研究提供有益的参考。
在机器学习（ML）领域，动力学系统与深度学习的结合已经成为研究社区感兴趣的课题。尤其是对神经微分方程（neuraldifferentialequation,NDEs）而言，它证明了神经网络和微分方程是「一枚硬币的正反面」。
传统的参数化微分方程是特例，残差网络和循环网络等很多流行的神经网络架构呈现离散化。神经微分方程能够提供高容量的函数近似，在模型空间上表现出强先验，有能力处理不规则数据，还具有很高的内存效率。
神经微分方程尤其适用于解决物理、金融等领域的生成问题、动力学系统和时间序列问题，因此现代机器学习和传统数学建模中都乐于使用它。
近日，一篇专门探讨神经微分方程的博士论文《OnNeuralDifferentialEquations》吸引了领域内研究者的注意，谷歌AI负责人、知名学者JeffDean也点赞推荐。这篇论文的examiner甚至褒赞它为「神经微分方程的教科书」。
论文作者为牛津大学数学研究所的博士生PatrickKidger，他的主要研究兴趣在于神经微分方程以及更广泛的深度学习和时间序列。他希望这篇论文可以吸引到任何对深度学习与动力学系统结合感兴趣的读者，并希望为当前的SOTA研究提供有益的参考。
论文
