Die Arbeit befasst sich mit dem automatischen Lernen mechanistischer Modelle aus Daten, insbesondere von stochastischen Populationsmodellen, die als Reaktionssysteme dargestellt werden. Dafür werden verschiedene Formulierungen des Lernproblems untersucht, die sich in Bezug auf Glattheit, Sparsamkeit und Skalierbarkeit unterscheiden.
Die Autoren zeigen zunächst, wie eine Reparametrisierung der Reaktionsraten die Optimierung erleichtert. Anschließend werden vier Problemformulierungen evaluiert:
Library of Reactions: Optimierung der Raten einer Bibliothek von Reaktionen. Liefert präzise, aber nicht sparsame Modelle.
Coefficient Steps: Direktes Lernen von Reaktionskoeffizienten und Raten. Zeigt Herausforderungen durch nicht-glatte Zielfunktionen.
Reaction Steps: Lernen einer Rangfolge von Reaktionen zusammen mit den Raten. Verspricht Sparsamkeit, aber Herausforderungen bei der Entkopplung von Struktur und Parametern.
Library of Systems: Brute-Force-Optimierung aller möglichen Reaktionssysteme. Zeigt die Skalierbarkeit des Gradientenverfahrens, aber fehlende zielgerichtete Exploration der Strukturen.
Die Ergebnisse zeigen einen Zielkonflikt zwischen Anpassungsgüte, Sparsamkeit und Skalierbarkeit. Weitere Forschung ist nötig, um eine kombinierte Reparametrisierung von Struktur und Raten zu finden, die eine zielgerichtete Exploration ermöglicht.
To Another Language
from source content
arxiv.org
Ключові висновки, отримані з
by Justin N. Kr... о arxiv.org 04-11-2024
https://arxiv.org/pdf/2404.07049.pdfГлибші Запити