Główne pojęcia
Durch die Behandlung der Beobachtungsdaten als Stichproben aus einer Wahrscheinlichkeitsverteilung und die Minimierung des Sliced-Wasserstein-Abstands können die zugrunde liegenden dynamischen Systeme rekonstruiert werden, auch wenn die Zeitmarkierungen unbekannt sind.
Streszczenie
In dieser Arbeit wird eine Methode zur Rekonstruktion dynamischer Systeme aus Daten ohne Zeitmarkierungen vorgestellt. Solche Daten ohne Zeitmarkierungen treten in vielen Anwendungen auf, wie z.B. in der Molekulardynamik oder der Einzelzell-RNA-Sequenzierung.
Die Autoren beobachten, dass die herkömmlichen Methoden zur Rekonstruktion dynamischer Systeme aus Zeitreihendaten nicht anwendbar sind, wenn die Zeitmarkierungen unbekannt sind. Ohne Zeitmarkierungen werden die Sequenzdaten zu Verteilungsdaten. Basierend auf dieser Beobachtung schlagen die Autoren vor, die Daten als Stichproben aus einer Wahrscheinlichkeitsverteilung zu behandeln und versuchen, das zugrunde liegende dynamische System durch Minimierung des Sliced-Wasserstein-Abstands zu rekonstruieren.
Die Methode besteht aus zwei Phasen:
Parameteridentifikationsphase: Hier wird ein vorwärtsgerichteter nichtlinearer Kleinste-Quadrate-Ansatz (FSNLS) verwendet, um die Parameter des dynamischen Systems zu schätzen, indem der Sliced-Wasserstein-Abstand zwischen den generierten Trajektorien und den beobachteten Proben minimiert wird.
Verteilungsanpassungsphase: Hier wird ein tiefer neuronaler Netzwerkansatz verwendet, um eine Näherungsfunktion für die Lösung der Differentialgleichungen zu lernen, indem der Verteilungsabstand minimiert wird. Gleichzeitig wird eine physikbasierte Regularisierung verwendet, um die Glattheit der Lösungsfunktion sicherzustellen und eine Schätzung der verborgenen Dynamik zu liefern.
Die umfangreichen Experimente zeigen, dass die vorgeschlagene Methode in der Lage ist, die zugrunde liegenden dynamischen Systeme sowie die fehlenden Zeitmarkierungen aus den Beobachtungsdaten effektiv zu rekonstruieren, auch für komplexe Systeme wie Lorenz63 und Lotka-Volterra.
Statystyki
Die Beobachtungsdaten bestehen aus L verschiedenen Trajektorien eines unbekannten dynamischen Systems mit unterschiedlichen Anfangszuständen.
Die l-te Trajektorie ist eine Zufallsvariable tl mit einer bekannten Verteilung Pl, deren Wahrscheinlichkeitsdichtefunktion pl ist.
Die Beobachtungspunkte xl
ob sind zufällige Vektoren, die durch Transformation von tl mittels der Dynamik xl(·) und Messfehler ϵ entstehen.
Cytaty
"Ohne Zeitmarkierungen werden die Sequenzdaten zu Verteilungsdaten."
"Basierend auf dieser Beobachtung schlagen wir vor, die Daten als Stichproben aus einer Wahrscheinlichkeitsverteilung zu behandeln und versuchen, das zugrunde liegende dynamische System durch Minimierung des Sliced-Wasserstein-Abstands zu rekonstruieren."