MIT Miller 实验室提出 PEM-UDE,从嘈杂混沌数据中恢复可解释方程
burny_tech · x · 2026-09-29
MIT Miller 实验室与 Christopher Rackauckas 等人在 arXiv 发表论文(2507.03631),提出 PEM-UDE 方法:将预测误差方法论(prediction-error methodology)与通用微分方程(universal differential equations)结合,从有限且被噪声污染的观测中发现混沌系统的控制方程。
要点:
- 预测误差反馈能平滑混沌优化问题;在模型类内的无噪数据下保持数据一致的零损失集,而噪声与模型误设则带来增益相关的稳定性-偏差权衡。
- 在 Rossler 吸引子和真实电路两个基准上,即使某一观测维度噪声达信号 5 倍,仍能恢复正确的函数形式。
- 方法接受系统先验作为初始函数形式,作者借此学习包含稀疏连接的神经回路方程——这是传统神经质量模型缺失的特征。
- 论文指出零损失集的保持并不保证结构可辨识性唯一,并可给出关于神经网络群体的可检验预测。
「研究」频道最新
- 观察:Qwen 后期层神经元像开关,Olmo 则不然 — Sauers_ · 2026-09-29
- PyroAdapt 框架提升加州野火预测精度,极端火灾召回率大涨 39.7 个百分点 — UIUC-CS · 2026-09-29
- KAIST 提出 EAPO:熵引导信用分配,强化意外成功、惩罚重复失败 — kaist-ai · 2026-09-29
- 扰动公开文档合成训练数据,Qwen 35B 学生模型追平万亿参数模型 — AllSpark-Research · 2026-09-29
- Skill2Env:从技能自动合成可执行环境,用于 agent 后训练 — AllSpark-Research · 2026-09-29
- Nature 深度指南：超越 CRISPR 的全新基因组编辑器来了 — LexiLove · 2026-09-29