Jun, 2024

利用时间卷积自编码器推断动力系统的时变耦合

PDF
TL;DR通过对复杂动态系统中非线性和非平稳性交互的评估，我们引入了用于因果推断的时间自编码 (TACI) 方法，该方法结合了一种新的代理数据度量因果交互和一种新的双头机器学习架构来识别和测量时间变化的因果交互的方向和强度。通过对合成数据集和实际数据集的测试，我们证明了 TACI 在准确量化各种系统中的动态因果交互方面的能力。我们的研究结果显示了该方法相对于现有方法的有效性，并凸显了我们的方法在建立对物理和生物系统中时间变化交互机制的更深入理解方面的潜力。
发现论文，激发创造
  • 复杂动态的变分编码

    使用时间滞后变分自编码器（VDE）对复杂的非线性蛋白质折叠等过程进行降维，并通过 saliency mapping 方法分析 VDE 所选择的用来描述动态过程的特征。

    Nov, 2017

  • 通过不变分解和 (时空) 转换器学习潜在动态

    提出了一种方法，通过在一种框架内结合变分自动编码器和 (时空) 注意力机制，从高维经验数据中学习动力系统，以实现确定一定科学动力学不变的设计，这种方法允许在任何连续时刻有效推断系统行为，是从异构数据中高效学习动态模型的一种有前途的新框架。

    Jun, 2023

  • 时态一致的 Koopman 自动编码器用于预测动力系统

    通过引入时间一致的 Koopman 自编码器（tcKAE），本文解决了模型训练数据有限和含噪声时 KAE 方法效果不佳的问题，并在简单摆动、动力学等多个测试案例中实证了 tcKAE 模型相较于现有模型的优越性能。

    Mar, 2024

  • CDANs: 自自相关和非平稳时间序列数据的时间因果发现

    该研究提出了一种新颖的基于约束条件的因果发现方法，用于自相关和非平稳时间序列数据中的模块变化检测和因果关系识别。

    Feb, 2023

  • 从一般时间数据中学习暂态因果潜在过程

    通过时间信息学习潜在因果变量的变化规律，使用因果过程先验引入约束来实现条件满足，达到从非线性混合数据中可靠地识别因果潜在过程的目的。

    Oct, 2021

  • TIC-TAC：学习和评估协方差的框架

    我们研究了无监督异方差协方差估计的问题，其中的目标是学习给定观察值 x 的多元目标分布 N (y, Σy|x)。我们通过推导 TIC：Taylor Induced Covariance 来解决预测协方差是否能真正捕捉到预测均值的随机性的问题，并通过引入 TAC：Task Agnostic Correlations 度量来解决在没有基准注释的情况下如何评估协方差估计性能的问题。我们的实验证明 TIC 在准确学习协方差方面优于现有技术，并通过 TAC 进行了量化。

    Oct, 2023

  • eCDANs: 从自相关和非平稳数据中高效进行时间因果分析（学生摘要）

    提出了一种新的约束条件因果推断方法 eCDANs，旨在解决传统时态因果推断方法的问题，具有检测迟滞和同时因果关系以及时间变化的能力。实验表明该方法能够识别时间影响并优于基线方法。

    Mar, 2023

  • 去混淆的时间自编码器：使用噪声代理估计随时间变化的治疗效果

    该文提出了 Deconfounding Temporal Autoencoder (DTA) 的方法，通过利用观测到的噪声代理来学习反映真实隐藏混杂因素的隐藏嵌入，从而在利用最新的结果模型来控制隐藏嵌入的条件独立性的同时获得无偏估计的治疗效果个体化评估。

    Dec, 2021

  • 深度延迟自编码器从部分测量中发现控制方程

    本研究展示了通过使用深度自编码器学习坐标转换，从而使得可以通过少量的测量变量对被观察动力学进行建模的技术，结合了深度学习和 SINDy，可以同时学习封闭形式模型和部分观察到的动力学的联合模拟框架。

    Jan, 2022

  • 时间潜变量自编码器：一种概率多元时间序列预测方法

    本研究介绍了一种新颖的时间潜在自编码器方法以实现多元时间序列的非线性分解，并通过解码器建模输入序列的复杂分布，得到极好的表现。

    Jan, 2021