先辨方向再算幅度：Trine 方法从动力系统残差恢复状态依赖噪声
bravo_abad · x · 2026-09-24
许多科学系统中噪声不只是测量误差，其强度随系统状态变化，而这种变化本身可能蕴含物理或生物学信息。
Trine 方法的巧妙之处在于不一次性估计隐藏噪声：
- 先用高斯过程学习平滑的确定性动力学
- 从残差中只估计随机涨落的符号（每次隐含冲击是正还是负）
- 再用结构化核函数借助这些符号重构噪声实现
- 最后通过回归学习噪声幅度如何随状态空间变化
先学符号再学幅度的理由是：统计上把方向估对比恢复完整幅度容易得多。作者展示了这一中间步骤带来的收益。
「研究」频道最新
- Discovery at Scale 周报:AI for Science 瓶颈正向上游转移 — bravo_abad · 2026-09-24
- AUC 仅 0.62 的分类器,从 6.5 万候选中筛出 6 项新发现 — bravo_abad · 2026-09-24
- Agentic Optimisation:agent 时代视觉能力的本质变化是什么 — _krishna_murthy · 2026-09-24
- Google WeatherNext 3 直接读卫星原始观测,短临温度误差降 40% — anselm · 2026-09-24
- MAttr 开源：一次训练得到全稀疏度归因曲线，权重掩码也支持 — nateliason · 2026-09-24
- MAttr 实战：Llama 3.1 拒绝行为被定位到 1% 参数差异 — aryaman2020 · 2026-09-24