LEARNING
通过离散欧拉-拉格朗日方程保持结构的高斯过程
Jan-Hendrik Ewering, Kathrin Flaßkamp, Niklas Wahlström, Thomas B. Schön, Thomas Seel
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文提出拉格朗日高斯过程（LGPs），利用离散受迫欧拉-拉格朗日方程实现动力学概率性和数据高效学习，在无外力时通过构造保留拉格朗日-达朗贝尔原理的几何结构，从而避免能量漂移并实现稳定长期预测。该方法仅需离散位置快照即可学习动力学，适用于运动捕捉等仅测量位置的场景。
关键词
Gaussian ProcessesLagrangian mechanicsdiscrete Euler-Lagrangedynamics learningdata-efficient
相关论文
LEARNING
📊 8,465 引用
The Organization of Behavior
D. O. Hebb
2005
LEARNING
📊 7,678 引用
Fractional Brownian Motions, Fractional Noises and Applications
Benoît B. Mandelbrot, John W. Van Ness
1968
LEARNING
开放获取📊 7,484 引用
Review of deep learning: concepts, CNN architectures, challenges, applications, future directions
Laith Alzubaidi, Jinglan Zhang, Amjad J. Humaidi 等 10 位作者
2021
LEARNING
📊 4,608 引用
A guide to deep learning in healthcare
Andre Esteva, Alexandre Robicquet, Bharath Ramsundar 等 10 位作者
2018