“讨论:NIS+”的版本间的差异
| 第4行： | 第4行： | ||
①因果涌现识别——添加参考文献，说明近年机器学习建模复杂系统的研究 | ①因果涌现识别——添加参考文献，说明近年机器学习建模复杂系统的研究 | ||
| − | + | YMZ：把下面参考文献加上。它们既是学习复杂系统的动力学，同时也有粗粒化策略： | |
| + | Vlachas P-R, Arampatzis G and Uhler C et al. Multiscale simulations of complex systems by learning their effective dynamics. Nat Mach Intell 2022; 4: 359–366. | ||
| + | Kemeth F-P, Bertalan T and Thiem T et al. Learning emergent partial differential equations in a learned emergent space. Nat Commun 2022; 13: 3318. | ||
| − | + | Floryan D and Graham M-D. Data-driven discovery of intrinsic dynamics. Nat Mach Intell 2022; 4: 1113–1120. | |
| + | |||
| + | Cai L and Ji S. A multi-scale approach for graph link prediction. Proceedings of the AAAI Conference on Artificial Intelligence, New York, 20-27 February 2020. | ||
| + | |||
| + | Chen Z, Li S and Yang B et al. Multi-scale spatial temporal graph convolutional network for skeleton-based action recognition. Proceedings of the AAAI Conference on Artificial Intelligence, New York, 22 February - 1 March 2022. | ||
③而在动力学系统中，模型可能对初始条件非常敏感，即使是微小的初始条件变化也可能导致系统行为的显著差异。——补充参考文献 | ③而在动力学系统中，模型可能对初始条件非常敏感，即使是微小的初始条件变化也可能导致系统行为的显著差异。——补充参考文献 | ||
| + | YMZ：这里你可以找一篇混沌动力学领域的文献就行。 | ||
④为了增强分布外泛化能力，学者可以生成多样化的数据，模拟不同的测试环境，还可以通过域适应技术（Domain Adaptation），使模型可以适应不同的测试数据分布，还有不变性学习（Invariant Learning）、元学习（Meta Learning）等方法。——添加英文+参考文献 ：已加英文 | ④为了增强分布外泛化能力，学者可以生成多样化的数据，模拟不同的测试环境，还可以通过域适应技术（Domain Adaptation），使模型可以适应不同的测试数据分布，还有不变性学习（Invariant Learning）、元学习（Meta Learning）等方法。——添加英文+参考文献 ：已加英文 | ||
| + | |||
| + | YMZ：这些词当时是怎么找到的？可以去源头找一下参考文献 | ||
⑤NIS概述调整为数学问题定义：直接改标题吗？ | ⑤NIS概述调整为数学问题定义：直接改标题吗？ | ||
| + | |||
| + | YMZ：是的 | ||
2024年9月4日 (三) 09:24的版本
——后面是要求，：后面是已经修改的或者思路，正文里面***后是可以删除的，我担心后面可能在用到，留的备份，师兄感觉我改的没问题，以后用不到可以把***后面的删除。
①因果涌现识别——添加参考文献，说明近年机器学习建模复杂系统的研究
YMZ：把下面参考文献加上。它们既是学习复杂系统的动力学，同时也有粗粒化策略： Vlachas P-R, Arampatzis G and Uhler C et al. Multiscale simulations of complex systems by learning their effective dynamics. Nat Mach Intell 2022; 4: 359–366.
Kemeth F-P, Bertalan T and Thiem T et al. Learning emergent partial differential equations in a learned emergent space. Nat Commun 2022; 13: 3318.
Floryan D and Graham M-D. Data-driven discovery of intrinsic dynamics. Nat Mach Intell 2022; 4: 1113–1120.
Cai L and Ji S. A multi-scale approach for graph link prediction. Proceedings of the AAAI Conference on Artificial Intelligence, New York, 20-27 February 2020.
Chen Z, Li S and Yang B et al. Multi-scale spatial temporal graph convolutional network for skeleton-based action recognition. Proceedings of the AAAI Conference on Artificial Intelligence, New York, 22 February - 1 March 2022.
③而在动力学系统中，模型可能对初始条件非常敏感，即使是微小的初始条件变化也可能导致系统行为的显著差异。——补充参考文献
YMZ：这里你可以找一篇混沌动力学领域的文献就行。
④为了增强分布外泛化能力，学者可以生成多样化的数据，模拟不同的测试环境，还可以通过域适应技术（Domain Adaptation），使模型可以适应不同的测试数据分布，还有不变性学习（Invariant Learning）、元学习（Meta Learning）等方法。——添加英文+参考文献 ：已加英文
YMZ：这些词当时是怎么找到的？可以去源头找一下参考文献
⑤NIS概述调整为数学问题定义：直接改标题吗？
YMZ：是的
⑥神经网络上的EI计算——注释掉，链接到有效信息：全部去掉吗？
⑦NIS因为在历史部分，就有介绍了，所以还是略掉一些比较好：略到什么程度？
⑧NIS框架缺陷总结过多，建议就突出没有maxEI这一点，顶多再算上不能用到复杂系统中：已改
⑨NIS+引入太突兀，多衬托一些开发NIS+的必要性，或者把NIS放到前面说
⑩图片配上文字说明：有些图片在讲述中讲解的，需要单独在讲一遍吗？就像论文里面配图下面的解释？
⑩①结构调整，对NIS+表述太干，建议把计算框架和结果放前面，理论性质放后面：框架只调整位置还是要重新定框架，改结构？