노이즈가 많고 고차원적인 측정값으로부터 잠재 동역학 시스템을 식별하는 것은 표현 학습(representation learning), 시스템 식별(system identification) 및 과학적 발견의 교차점에서 핵심적인 문제입니다. 우리는 DYSCO라는 다중 뷰 시간 대조 학습 알고리즘을 제시합니다. 이 알고리즘은 동일한 근본 프로세스의 여러 독립적인 노이즈가 있는 뷰를 활용하여 신호와 노이즈를 분리함으로써, 잠재 궤적과 지배 역학을 동시에 복구합니다. 우리의 프레임워크는 동역학을 구조화된 함수 기반으로 매개변수화함으로써, 아핀 게이지(affine gauge) 내에서 지배 방정식의 기호적 복구를 가능하게 합니다. 우리는 아핀 부정정성(affine indeterminacy)까지 강력한 식별에 대한 이론적 보장을 제공하며, 이전의 식별 가능성 결과를 노이즈가 있는 비선형 관측이라는 현실적인 설정으로 확장합니다. 경험적으로, 우리는 가우시안 및 푸아송 관측 노이즈 모두 하에서 다양한 동역학 영역(예: 카오스적, 진동적, 준안정 상태)에 걸쳐 잠재 궤적과 흐름장 모두의 정확한 복구를 시연합니다. 특히 후자는 신경 기록에 매우 관련성이 높습니다.