坍缩前的回声：复杂系统中闪烁现象的深度学习检测
机器学习
2025-09-08 v1
摘要
深度学习为预测复杂系统的临界点提供了强大的工具，但其在检测闪烁现象（由噪声驱动的共存稳定态之间的切换）方面的潜力仍未被探索。闪烁现象是气候系统、生态系统、金融市场等系统韧性降低的标志。它可能先于影响重大但难以预测的关键状态转变而发生。在此我们展示，基于加性噪声的简单多项式函数生成的合成时间序列训练的卷积长短期记忆（CNN LSTM）模型，能够准确识别闪烁模式。尽管是在简化动力学上训练的，我们的模型能够泛化到多种随机系统，并在经验数据集中可靠地检测闪烁现象，包括睡鼠体温记录和非洲湿润期的古气候代用数据。这些发现表明，深度学习能够从含噪声的非线性时间序列中提取早期预警信号，为识别各种动力学系统中的不稳定性提供了一个灵活的框架。
引用
@article{arxiv.2509.04683,
title = {Echoes Before Collapse: Deep Learning Detection of Flickering in Complex Systems},
author = {Yazdan Babazadeh Maghsoodlo and Madhur Anand and Chris T. Bauch},
journal= {arXiv preprint arXiv:2509.04683},
year = {2025}
}