ZENO
一种结合神经算子与物理信息损失的模型，通过嵌入Zakai方程作为物理约束来逼近非线性滤波中的非归一化后验分布，并嵌入EM框架进行参数学习与状态推断。
时间轴 (近 90 天)
ZENO（Zakai Equation Neural Operator）是一种通过神经算子与物理信息损失相结合来逼近精确非归一化滤波分布的模型。
ZENO通过最小化Zakai方程残差来训练神经算子，无需大量标注数据即可学习隐含的滤波分布，并能泛化到不同初始条件和参数设置。
ZENO将后验分布嵌入期望最大化（EM）框架，通过交替E步（利用当前参数估计后验分布）和M步（最大化完全数据对数似然以更新参数）来实现参数学习和状态推断。
研究者在三个模拟随机动力系统上测试了ZENO：双井双稳态系统、范德波尔振荡器和洛伦兹系统。
与现有的潜在SDE推断方法相比，ZENO在准确恢复后验分布和学习SDE参数方面均表现出优势，尤其在分布形状和参数一致性上更为精确。
ZENO被应用于秀丽隐杆线虫（C. elegans）的全脑成像数据集，成功恢复了与线虫前向和后向运动对应的极限环。
ZENO的计算成本和对物理方程的依赖性仍是实际部署时需要考虑的因素。
将ZENO扩展到非高斯噪声或时变参数系统是值得探索的方向。
全部知识事实 (8)
ZENO（Zakai Equation Neural Operator）是一种通过神经算子与物理信息损失相结合来逼近精确非归一化滤波分布的模型。
50%待验证ZENO通过最小化Zakai方程残差来训练神经算子，无需大量标注数据即可学习隐含的滤波分布，并能泛化到不同初始条件和参数设置。
50%待验证ZENO将后验分布嵌入期望最大化（EM）框架，通过交替E步（利用当前参数估计后验分布）和M步（最大化完全数据对数似然以更新参数）来实现参数学习和状态推断。
50%待验证研究者在三个模拟随机动力系统上测试了ZENO：双井双稳态系统、范德波尔振荡器和洛伦兹系统。
50%待验证与现有的潜在SDE推断方法相比，ZENO在准确恢复后验分布和学习SDE参数方面均表现出优势，尤其在分布形状和参数一致性上更为精确。
50%待验证ZENO被应用于秀丽隐杆线虫（C. elegans）的全脑成像数据集，成功恢复了与线虫前向和后向运动对应的极限环。
50%待验证ZENO的计算成本和对物理方程的依赖性仍是实际部署时需要考虑的因素。
50%待验证将ZENO扩展到非高斯噪声或时变参数系统是值得探索的方向。
50%