Drift-Diffusion Matching: Embedding dynamics in latent manifolds of asymmetric neural networks
Este artículo introduce el "emparejamiento de difusión por deriva", un marco para entrenar redes neuronales recurrentes asimétricas de tiempo continuo para incrustar fielmente ecuaciones diferenciales estocásticas no lineales arbitrarias dentro de variedades latentes de baja dimensión, extendiendo así la teoría de las redes de atractores más allá del equilibrio para modelar dinámicas biológicas complejas como la memoria asociativa y episódica.