编辑｜ScienceAI 自 20 世纪非线性动力学理论发展以来，如何从高维数据中提取可解释的动态特征并进行刻画始终是复杂系统研究的核心挑战。 传统降维方法（如PCA、t-SNE、UMAP）虽能压缩数据维度，但在保留时序动态信息方面存在困难，并且对异常值较为敏感，容易受到噪声的干扰。 深度学习方法虽能捕捉非线性特征，但计算成本高且可解释性差。例如在 ICU 患者监护、胚胎发育、气象变化预警等具有状态临界转移的复杂动态场景中，迫切需要一种高效与稳健的方法来捕捉早期预警信号。 近日，华南理工大学数...

2025/05/26