热点事件持续更新
MTS-SLDS 推断多时间尺度神经动力学
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
2026年10月3日，arXiv cs.LG 分类发布一篇机器学习论文，研究者提出多时间尺度切换线性动力系统（MTS-SLDS），用于从连续或脉冲神经观测中识别特定状态下的潜在时间尺度。该方法结合多滞后矩初始化与状态条件化 Laplace-EM 推理，直接从学习到的潜在转移矩阵特征值中提取特征时间尺度。在高斯与泊松脉冲观测的合成及神经实验中，MTS-SLDS 能准确恢复时间尺度与切换结构。目前报道仅涉及方法提出与实验验证，尚无后续进展。
AI 根据报道生成 · 2 小时前更新
最新进展10月3日 12:00
arXiv 发布 MTS-SLDS，可从神经观测中恢复多时间尺度与切换结构。报道时间线
沿着报道，了解事件的不同侧面。
10月3日
- arXiv：cs.LG（机器学习，全量分类）MTS-SLDS：用切换线性动力系统推断多时间尺度神经动力学
研究者提出多时间尺度切换线性动力系统（MTS-SLDS），可从连续或脉冲神经观测中识别特定状态下的潜在时间尺度。该方法结合多滞后矩初始化与状态条件化 Laplace-EM 推理，直接从学习到的潜在转移矩阵特征值中提取特征时间尺度。在高斯与泊松脉冲观测的合成及神经实验中，MTS-SLDS 能准确恢复时间尺度与切换结构。
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。