研究者提出 SPS-GAN 从轨迹或视频学习哈密顿系统相空间结构
热点事件持续更新
研究者提出 SPS-GAN 从轨迹或视频学习哈密顿系统相空间结构
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Yulong Yang 等普林斯顿研究者在 arXiv 发文，提出结构化相空间生成对抗网络 SPS-GAN，一个条件生成框架，可从笛卡尔轨迹或视频观测中学习力学动力学并发现潜在相空间结构。该工作已被 NeurIPS 2026 接收。 方法上将对抗生成与 port-Hamiltonian 潜在动力学结合，并扩展循环坐标正则化以处理耗散与外力，支持保守、耗散和受迫系统。作者称模拟与真实系统实验显示其轨迹精度和视频生成质量优于竞争基线，并能识别出与有效自由度一致的活跃潜在维度。
AI 根据报道生成 · 1 小时前更新
最新进展11月5日 13:00
SPS-GAN：从学习到的哈密顿系统中发现相空间结构报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv cs.AISPS-GAN：从学习到的哈密顿系统中发现相空间结构
研究者提出结构化相空间生成对抗网络 SPS-GAN，一个条件生成框架，可从笛卡尔轨迹或视频观测中学习力学动力学并发现潜在相空间结构。该方法将对抗生成与 port-Hamiltonian 潜在动力学结合，并扩展循环坐标正则化以处理耗散与外力，支持保守、耗散和受迫系统。模拟与真实系统实验显示其轨迹精度和视频生成质量优于竞争基线，并能识别出与有效自由度一致的活跃潜在维度。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。