Imperial College London（帝国理工学院）

An Introduction to Sparse Identification of Nonlinear Dynamics for Engineering Applications

工程应用中的非线性动力学稀疏识别介绍

Yao Cheng Li, Ana Larrañaga, Steven L. Brunton, Urban Fasel

机构 * Department of Aeronautics, Imperial College London（伦敦帝国理工学院航空系） ； Department of Mechanical Engineering, University of Washington（华盛顿大学机械工程系） ； NSF AI Institute in Dynamic Systems, University of Washington（华盛顿大学动态系统领域美国国家科学基金会人工智能研究所） 纠错

AI总结 介绍工程应用中非线性动力学稀疏识别（SINDy）方法，通过对候选非线性项库稀疏回归解决代理建模局限性，教程介绍该方法及扩展，经案例研究表明其易实现且灵活，是工程应用有价值的识别工具。

Comments 15 pages, 4 figures

Beyond scalar losses: calibrating segmentation models via gradient vector field surgery

超越标量损失：通过梯度向量场手术校准分割模型

Laurin Lux, Alexander H. Berger, Moritz Knolle, Daniel Rückert, Johannes C. Paetzold

机构 * School of Computation, Information and Technology, TUM（慕尼黑工业大学计算、信息与技术学院） ； Munich Center for Machine Learning（慕尼黑机器学习中心） ； Department of Radiology, Weill Cornell Medicine（威尔康乃尔医学院放射科） ； School of Medicine and Health, TUM University Hospital（慕尼黑工业大学医院医学与健康学院） ； Cornell Tech（康奈尔科技学院） ； Department of Computing, Imperial College London（伦敦帝国理工学院计算系） 纠错

AI总结 研究针对基于区域损失函数训练的分割模型校准不佳问题，提出对梯度向量场进行“手术”，即给损失偏导数添加因子，依预测误差线性缩放梯度大小，经2D和3D医学分割任务验证该方法有效且能保持高预测准确性。

Comments MIDL 2026. Published version: https://proceedings.mlr.press/v315/lux26a.html

Journal ref Proceedings of Machine Learning Research 315:3397-3423, 2026

Lyapunov Guidance: A Unified Framework for Stabilizing Generative Flows

李雅普诺夫引导：稳定生成流的统一框架

Jingdong Zhang, Xinze Li, Yize Jiang, Luan Yang, Minkai Xu, Junhong Liu

机构 * Imperial College London（伦敦帝国理工学院） ； Fudan University（复旦大学） ； Stanford University（斯坦福大学） ； MicroCyto（微赛生物） 纠错

AI总结 研究针对流匹配重新训练计算昂贵、现有训练后引导方法无稳定性保证的问题，提出LyaGuide框架，将流引导作为李雅普诺夫控制问题，统一多种引导策略，经实验验证其在多方面有改进且保持计算效率。

Comments 25 pages, 13 figures