通过仿真器导向的深度生成模型估计包含重复横截面数据的系统参数
机器学习
2024-12-30 v1 人工智能
数值分析
数值分析
种群与进化
机器学习
摘要
微分方程（DE）对于自然或人造系统的演化至关重要。传统上，DE中的参数通过调整以适合系统观测的数据。然而，在政治、经济和生物学等领域，可用数据常常是从不同主体的不同时间点独立收集的（即称为重复横截面（RCS）数据）。传统优化技术在RCS数据表现出各种异质性时难以准确估计DE参数，导致信息丢失显著。为此，我们提出一种新方法，称为仿真器导向的深度生成模型（EIDGM），用于处理RCS数据。具体而言，EIDGM集成了一个基于基于物理信息的神经网络仿真器，其即可立即生成DE解，以及一个能够有效模仿RCS数据的Wasserstein生成对抗网络（GAN）参数发生器。我们在指数增长、Logistic人口模型和Lorenz系统上对EIDGM进行了评估，证明其卓越的准确捕获参数分布能力。此外，我们将EIDGM应用于黏蛋白40和黏蛋白42的实验数据集，成功捕获了多样化的参数分布形状。这表明EIDGM可用于建模一广泛范围的系统，并可从有限数据中推断系统的运行原理。
引用
@article{arxiv.2412.19517,
title = {Estimation of System Parameters Including Repeated Cross-Sectional Data through Emulator-Informed Deep Generative Model},
author = {Hyunwoo Cho and Sung Woong Cho and Hyeontae Jo and Hyung Ju Hwang},
journal= {arXiv preprint arXiv:2412.19517},
year = {2024}
}