LEARNING
当动力学模型读取错误的时间步：无标签事件信用重锚定用于鲁棒全局读出
Yifan Wang
- 发表年份
- 2026
- 访问权限
- 开放获取
摘要
本文揭示了学习动力学模型中的“时间信用稀释”问题，即模型在全局读出时可能错误地将信用分配给平滑的虚假相关特征而非关键物理事件。作者提出了一种无需训练和标签的CREST方法，通过估计瞬态事件核心并重新锚定池化表示，显著提升了模型在齿轮和冲击系统模拟中的鲁棒性。
关键词
temporal credit assignmentdynamics modelsglobal readoutevent detectionrobustness
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