Drift-Diffusion Matching: Embedding dynamics in latent manifolds of asymmetric neural networks
Questo articolo introduce il "drift-diffusion matching", un framework per l'addestramento di reti neurali ricorrenti asimmetriche a tempo continuo per incorporare fedelmente arbitrarie equazioni differenziali stocastiche non lineari all'interno di varietà latenti a bassa dimensione, estendendo così la teoria delle reti ad attrattori oltre l'equilibrio per modellare dinamiche biologiche complesse come la memoria associativa ed episodica.