Jan, 2020

部分观测系统的可预测性极限

PDF
TL;DR本研究研究了部分观测系统中的预测性能，并证明了时间采样导致的不确定性损失是无法通过使用外部信号进行补偿的，证实了这一理论的适用性。同时还考察了实际系统中的感染疾病、在线讨论以及软件开发等方面，发现随着时间采样的增加，部分系统的可预测性会出现不可逆的下降，揭示了部分观测系统中的基本可预测性限制。
predictabilitytemporal samplingpartially observed systemsreal-worldpredictability limits
发现论文，激发创造
  • 探究复杂社会系统预测的极限

    本研究探讨了在复杂的社会系统中成功的可预测性，提出了两种错误预测的一般来源：数据和 / 或模型的不足，以及社会系统的固有不可预测性。本文以 Twitter 上的信息级联大小预测为例辅以经验研究，结果表明，即使拥有无限的数据，预测性能也会受到很强的限制；预测准确度的限制不仅取决于数据本身，而且可能取决于产品质量的估计误差和产品质量的微小差异等因素。因此，对于更难以获得数据的其他复杂的社会系统，预测准确度的限制可能更低。

    Feb, 2016

  • 面对不完整数据的恶意事件预测挑战

    本文通过实证研究两个组织的真实数据，量化了过滤对于预测网络攻击可预测性的影响，发现过滤降低了网络攻击的可预测性，由于入侵事件的数据过少且具有不同于总数据集的生成过程，使得预测模型更加困难。

    Apr, 2020

  • 无限时间视角下基于部分观测的最坏情况控制与学习

    本文研究了安全关键的物理系统所需的控制策略，通过建模系统中的不确定性和模型干扰，提出了一种近似控制和学习框架，并对其进行了数学分析和算法设计。

    Mar, 2023

  • 从部分观测中学习动态系统

    本文研究使用数据驱动框架和神经网络来预测复杂的非线性时空过程，并表现出显著的改进。

    Feb, 2019

  • 这个理论是有预测性的，但它是否完整？一个关于人类对随机性感知的应用

    本文通过机器学习算法的方法探测预测模型的有效性，以预测人类生成的随机序列为例，对问题中可预测变量的阐述进行了实验，发现现有的行为模型只能解释大约 15％的可预测变化，并提供了一种有效的方法来评估理论在不同情境下的效果，从而得出机器学习在检测理论完整性上的可行性。

    Jun, 2017

  • 动力系统中的顺序预测复杂度

    研究了在未知演化函数的情况下，学习预测动态系统的下一个状态的问题，不对动态系统进行参数假设，从学习理论的角度研究该问题，定义了新的组合度量和维度，并展示它们在可实现和依赖性设置中量化了最优错误和遗憾界限。

    Feb, 2024

  • 人类移动可预测性极限的替代方法

    研究了使用 GPS 追踪数据进行下一地点预测的算法，提出了一个独立于时间尺度的自然长度尺度，并表明相比下一时间段位置预测，这种方法可以显著降低对下一地点的预测可靠性。

    Aug, 2016

  • 使用机械和统计时间序列模型进行 COVID-19 发病率的短期概率预测比较

    本研究比较了基于更新方程的机械模型和统计时间序列模型的短期概率预测，发现统计时间序列模型整体上至少与机械模型预测同样准确，并且更好地捕捉波动性，表明机械模型中融入的领域知识并不能提高疾病发病率的短期预测能力。

    May, 2023

  • 从部分数据中重构、预测和稳定混沌动态

    通过使用基于数据的方法，该研究提出了 Long Short-Term Memory (LSTM) 网络来推断未观察到的（隐藏的）混沌变量的动力学，时间预测完全状态的演变并推断其稳定性。

    May, 2023

  • 尽管信息不完整，事件预测与因果推断

    我们研究了在数据点序列中预测和解释事件发生的挑战，特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法，我们探索、量化和提供了解决此挑战的解决方案，并确证了支持各种变化的通用方程。使用这些方程，我们描述了复杂性如何随各参数变化（例如，明显和隐藏状态的数量、触发器长度、置信度等）而变化，并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高，我们的机器学习解决方案可以识别触发器候选项，以更高效的方式与正在调查的系统进行交互，以确定真正的触发器。通过分享我们的发现，我们希望帮助其他面临类似挑战的人们，让他们能够估计问题的复杂性、所需数据以及解决方案。

    Jun, 2024