研究者提出无导数稀疏方程匹配框架SEM
热点事件观察中
研究者提出无导数稀疏方程匹配框架SEM
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Jiaqiang Li、Jianbin Tan、Xueqin Wang 提出 Sparse Equation Matching（SEM）框架，用基于格林函数的积分稀疏回归发现通用阶动力系统方程，无需估计导数，并将多种现有方程发现方法纳入同一形式。 在仿真中，SEM 与基于导数的方法做了基准对比；研究者还将其用于 52 名受试者执行多项眼动任务时的 EEG 数据，识别出跨受试者的活跃脑区与任务特异性连接模式。上述应用结果来自研究者的报告。
AI 根据报道生成 · 12 小时前更新
最新进展10月23日 12:00
Sparse Equation Matching：无需导数的通用阶动力系统学习框架报道时间线
沿着报道，了解事件的不同侧面。
10月23日
- arXiv cs.LG + cs.RO + cs.HCSparse Equation Matching：无需导数的通用阶动力系统学习框架
研究者提出 Sparse Equation Matching（SEM），用基于格林函数的积分稀疏回归实现无需导数估计的通用阶动力系统方程发现，统一了多种现有方程发现方法。SEM 在仿真中与基于导数的方法做了基准对比，并应用于脑机接口实验中 52 名受试者执行多项眼动任务时记录的 EEG 数据，识别出跨受试者的活跃脑区与任务特异性连接模式。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 610月24日 08:00
- 近 24 小时变化
- –
0246
08:0010:0012:0014:0016:0018:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。