通过潜随机动力系统实现早期预警指标
机器学习
2024-04-08 v3 机器学习
摘要
在复杂系统或高维观测数据中检测突变动力学转变的早期预警指标，在脑疾病、自然灾害和工程可靠性等许多现实应用中至关重要。为此，我们开发了一种新颖方法：有向各向异性扩散映射，用于捕捉低维流形中的潜演化动力学。随后通过潜坐标与潜随机动力系统推导出三种有效预警信号（Onsager-Machlup指标、样本熵指标和转移概率指标）。为验证我们的框架，我们将该方法应用于真实脑电图（EEG）数据。我们发现，我们的早期预警指标能够检测状态转变过程中的临界点。该框架不仅将潜动力学与现实世界数据相桥接，还展现出对复杂高维时间序列进行自动标注的潜在能力。
引用
@article{arxiv.2309.03842,
title = {Early warning indicators via latent stochastic dynamical systems},
author = {Lingyu Feng and Ting Gao and Wang Xiao and Jinqiao Duan},
journal= {arXiv preprint arXiv:2309.03842},
year = {2024}
}