A Deep Learning Approach to Analyzing Continuous-Time Systems
分析连续时间系统的深度学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以观测时间序列及连续时间动态建模为核心；应用是语言处理，并未说明宏观经济场景。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
分析连续时间系统的深度学习方法
- 研究问题
- 如何利用观测时间序列分析复杂连续时间过程，在放宽线性、平稳性和同方差等限制的同时保留科学解释能力？
- 方法与思路
- 作者以深度学习提供灵活函数近似，放宽常见动态假设，并在人类增量语言处理的行为和神经影像数据上评估。
- 材料陈述的贡献
- 摘要称模型改善了相关数据上的表现，可发现新的探索性模式、控制确认性分析中的多种混杂，并拓展可研究的问题。
- 阅读关注点
- 应核对连续时间动态如何表示、可解释性的具体含义，以及比较指标、混杂控制方案和探索性发现的验证设计。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实；摘要未说明具体模型、评价数值或因果识别条件，控制混杂的表述不足以证明因果效应。
原文摘要
Scientists often use observational time series data to study complex natural processes, but regression analyses often assume simplistic dynamics. Recent advances in deep learning have yielded startling improvements to the performance of models of complex processes, but deep learning is generally not used for scientific analysis. Here we show that deep learning can be used to analyze complex processes, providing flexible function approximation while preserving interpretability. Our approach relaxes standard simplifying assumptions (e.g., linearity, stationarity, and homoscedasticity) that are implausible for many natural systems and may critically affect the interpretation of data. We evaluate our model on incremental human language processing, a domain with complex continuous dynamics. We demonstrate substantial improvements on behavioral and neuroimaging data, and we show that our model enables discovery of novel patterns in exploratory analyses, controls for diverse confounds in confirmatory analyses, and opens up research questions that are otherwise hard to study.