动力系统中的表示学习与深度生成建模研究

"动力系统中的表示学习与深度生成建模 - Jean-Yves Franceschi - Sorbonne Université - 2022年2月28日提交 - HAL Id: tel-03591720 - 论文链接: https://theses.hal.science/tel-03591720" 这篇论文由Jean-Yves Franceschi撰写，主要探讨了动力系统中的表示学习（Representation Learning）与深度生成建模（Deep Generative Modeling）。动力系统是一门涉及数学、物理和工程学的领域，研究动态过程和系统的演变。在这样的背景下，表示学习是一种机器学习方法，旨在从原始数据中提取有意义的、低维度的特征表示，以便更好地理解和预测系统的复杂行为。 表示学习在动力系统中的应用通常包括识别系统的潜在结构，例如模式、周期性和稳定性，以及对系统未来状态的预测。它能够处理非线性动力系统的高维数据，通过降维和特征提取，使分析更加高效。论文可能会介绍如何利用深度学习架构，如深度神经网络（DNN）、卷积神经网络（CNN）和递归神经网络（RNN），来捕获动力系统的动态特性。 深度生成建模则是另一种机器学习技术，它利用深度学习来创建可以生成新样本的模型。在动力系统中，这可能意味着构建能够模拟系统行为的模型，用于仿真、预测或反演任务。常见的深度生成模型有变分自编码器（VAE）、生成对抗网络（GAN）和扩散模型等。这些模型能够捕捉到数据的分布，从而生成新的、合理的数据点，这在动力系统建模中可能用于探索不同的系统状态或进行异常检测。 论文作者的博士答辩于2022年2月14日在Sorbonne Université举行，评审委员会成员包括Xavier Alameda-Pineda、Alexandre Gramfort、Catherine Achard、Camille Couprie和Sylvain Lamprier，由Patrick Gallinari和Sylvain Lamprier指导。这表明该研究得到了领域内专家的严格审阅和认可。 文档遵循Creative Commons Attribution 4.0 International (CC BY 4.0)许可证，允许他人在尊重作者权利的前提下自由使用、分享和改编内容。作者将论文献给了他的父母，这是一个个人情感的表达。 这篇论文深入研究了如何利用深度学习技术，特别是表示学习和深度生成建模，来理解和模拟动力系统的行为，对于理解和预测复杂动态过程具有重要的理论和实践意义。