Feb, 2024

混合方块神经 ODE 因果建模

PDF
TL;DR通过将机械化 ODE 动力学与灵活且富有表现力的神经网络组件结合起来，我们解决了混合模型中因机械化模型的灵活性而失去因果关系的问题，并在建模运动期间的血糖动力学方面实现了既具有领先预测性能又具有因果有效性的双赢。
hybrid modelsode-based dynamicsneural network componentscausal groundingglucose dynamics
发现论文，激发创造
  • 混合效应神经常微分方程：面板数据动态分析的变分近似

    本文提出了一种概率模型 ME-NODE，用于分析涉及多个时间点的长期测量面板数据中的固定和随机混合效应，该模型可以使用平滑 SDE 的近似推导出并演示了其在阿尔茨海默病研究中对插值重建的准确性，不确定性估计和个性化预测的性能。

    Feb, 2022

  • 神经 ODE 中的预测之外：鉴别和干预

    采用简单的正则化方案和柔性神经 ODE，我们可以从时间序列数据中强大地恢复动态和因果结构，并对变量或系统自身进行准确的预测。

    Jun, 2021

  • 将专家 ODE 集成到神经 ODE 中：药理学和疾病进展

    该研究提出一种潜在的混合模型 (LHM)，该模型将专家设计的常微分方程系统与机器学习的神经微分方程系统相结合，以完全描述系统动态并将专家和隐变量与可观元量链接起来，特别是在样本较少的情况下表现优异，其应用场景为药物治疗疾病的进展预测。

    Jun, 2021

  • 神经常微分方程用于干预建模

    该论文提出了一种名为 IMODE 的新型神经 ODE 方法，该方法可以有效地处理具有干预效应的实际系统动态，并通过合成和真实时间序列数据集的实验结果展示 IMODE 相对于现有方法的优越性。

    Oct, 2020

  • 学习动力系统中未观测状态的控制方程

    采用混合神经 ODE 结构结合符号回归来学习部分观测动力系统的控制方程，通过两个案例研究验证该方法成功地学习了这些系统中未观测状态的真实控制方程，并对测量噪声具有鲁棒性。

    Apr, 2024

  • 一种基于统计学的隐性动态建模方法与微分方程

    使用普通微分方程进行统计建模，处理纵向队列数据中的局部变化问题，并利用神经网络进行动态建模和参数提取。

    Nov, 2023

  • 科学机器学习的机制性神经网络

    本文介绍机制性神经网络，它是一种适用于科学中的机器学习应用的神经网络设计。它通过在标准架构中加入新的机制性模块，明确地学习代表物理方程的微分方程，揭示数据的基本动态，并增强数据建模的可解释性和效率。我们的方法的核心是一种新颖的放松线性规划求解器 “NeuRLP”，受到一种将线性常微分方程组化简为线性规划求解的技术的启发。这种方法与神经网络结合得很好，并超越了传统常微分方程求解器的局限，实现了可扩展的 GPU 并行处理。总的来说，机制性神经网络在科学机器学习应用中展示了它们的多样性，能够灵活处理从方程式发现到动态系统建模的任务。我们证明了它们在分析和解释各种复杂科学数据方面的全面能力，并在各个应用中展示出优于专门的最先进方法的显著性能。

    Feb, 2024

  • 双机器学习在因果混合建模中的应用 -- 地球科学中的应用

    通过因果推断框架运用 Double Machine Learning（DML）估计混合模型，展示了在地球科学领域中估计因果参数的优势、对正则化方法偏差的鲁棒性以及避免等效多样性。该方法在碳通量配分中展现了适应异质因果效果的灵活性，并强调了明确定义因果图和关系的必要性，提倡这作为一般最佳实践，鼓励继续探索混合模型中的因果性以获得更可解释和可信赖的知识导向机器学习结果。

    Feb, 2024

  • 深度学习用于机制模型参数的快速推理

    利用深度神经网络预测机械模型参数在生物过程工程中起到了重要的作用，提供了高效、健壮且计算成本低的参数估计方法，综合实验数据对比了提出的算法与传统方法，发现神经网络预测的参数估计优于传统拟合程序。

    Dec, 2023

  • 长期异质治疗效果推断的 ODE 发现

    通过引入基于常微分方程的解决方案，我们提供了一个全新的处理方式，用于推断无偏的治疗效果，并将其构建为一个框架，可以将任何常微分方程发现方法转化为治疗效果的方法。

    Mar, 2024