Dec, 2023

无时间标签下的数据动力系统重建

PDF
TL;DR我们研究了一种从没有时间标签的数据中重构动态系统的方法，并将其作为来自概率分布的样本，通过最小化分布损失，具体而言是切片 Wasserstein 距离，试图重构潜在的动态系统。大量实验结果证明了所提方法的有效性。
发现论文，激发创造
  • 从数据自动识别动力系统

    本文提出了一种方法，通过集成去噪技术、稀疏回归和自举置信区间来自动识别动力学定律，从而在物理、生物科学以及工程等各领域中有望影响对复杂系统的理解。

    Apr, 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

  • 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

  • 通过密度估计的随机力推断

    从低分辨率时间数据推断动力学模型在生物物理学中仍然是一个重要的挑战，我们提出了一种方法，利用与潜在扩散过程相关的概率流来推断插值分布之间的自主的非线性力场，通过使用得分匹配来区分力场和固有噪声，我们的方法可以从非平稳数据中提取非守恒力，在应用于稳态数据时学习均衡动力学，无论是添加型噪声模型还是乘法型噪声模型。

    Oct, 2023

  • 从高维常微分方程中重构网络

    本文提出了一种新的基于加法普通微分方程的非参数建模方法，并且在高维数据集下表现得更好，该方法不需要进行导数估计，从而有助于动力学系统和基因调控网络等的参数估计。

    Oct, 2016

  • 基于几何约束的稀疏观测随机动态推断优化

    本文介绍了一种基于路径增强和数据驱动控制的方法，可以高效地确定低采样率下系统的确定性力量，以克服现有方法中对观测时间结构或不变密度几何逼近的局限性。

    Apr, 2023

  • 从噪声动态中重构有向网络中的链接

    本文提出了一种对于测量数据的协方差，结合网络结构进行有向网络链接重建的通用方法。

    Apr, 2016

  • 利用自然多样性重建传播网络并识别隐藏源

    本研究提出了一种基于压缩感知的框架来重建随机扩散动力学下的复杂网络，并应用到模型和真实网络中。研究表明，从少量二元数据可以实现不均匀交互的全面重建。此外，该方法还可以确定并高度可信地定位隐含的触发扩散过程并在其外部不可访问的源，从而为追踪和控制复杂网络系统中的流行入侵和信息扩散建立了一个范例。

    Jul, 2014

  • 具有时间步约束的动力学和信号噪声分解的深度学习

    本文提出了一种新的数据驱动建模范式，该范式可以同时学习动态和估计每次观察的测量误差。作者使用深度神经网络建模未知矢量场，并在非均匀时间步长的数据中加入龙格 - 库塔积分器，以约束和集中建模的工作。在多项标准测试问题中表现出本方法形成预测模型的能力，并表明它对大量测量误差具有强鲁棒性。

    Aug, 2018

  • 通过概率空间中的梯度流推断数据集的动态变化

    本研究提出了一种基于 Wasserstein 梯度流的数据集转换框架，可应用于分类数据集的约束、迁移学习和转换黑盒模型，以实现高准确度的分类。

    Oct, 2020