arXiv · cs.AI · Nicola Farenga, Andrea Manzoni · 8 小时前模型评分42
无需模拟的 Velocity Matching 目标：让神经网络学习非线性动力系统的连续演化
Learning to evolve by matching velocities
导读
研究提出 Velocity Matching（VM）目标，用分段线性插值和随机配置近似速度总体风险，训练时无需模拟轨迹，避免长 rollout 带来的成本与不稳定。作者给出稳定性估计与连续时间逼近结果，并证明该目标与 A-stable 连续阶段 Runge-Kutta 格式的残差相关。在非线性常微分方程和半离散偏微分方程实验中，VM 精度优于基于轨迹的目标。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “To overcome these limitations, we introduce Velocity Matching (VM), a simulation-free objective that relies on piecewise-linear interpolation and stochastic collocation, and approximates the velocity population risk to second order in the sampling step.”
来源：arXiv · cs.AI · arxiv.org