基于贝叶斯神经梯度匹配快速拟合神经常微分方程以从时间序列数据推断生态相互作用
种群与进化
2022-09-14 v1
摘要
1. 推断生态相互作用是困难的，因为我们往往缺乏合适的参数化表示来刻画它们。神经常微分方程 (NODEs) 提供了一种从时间序列数据非参数地估计相互作用的途径。然而，NODEs拟合缓慢，且推断出的相互作用尚未被验证。2. 我们提供了一种快速的NODE拟合方法——贝叶斯神经梯度匹配 (BNGM)，其依赖于用神经网络插值时间序列，并以贝叶斯正则化将NODEs拟合到插值动力学上。我们通过在一个具有已知相互作用的ODE模型生成的时间序列中推断生态相互作用来检验该方法的准确性。我们还在包含藻类、鞭毛虫和轮虫种群的微观世界实验重复时间序列，以及雪兔与猞猁系统中推断了相互作用。3. 我们的BNGM方法使我们将NODE系统的拟合时间缩短至仅几秒。该方法在人工系统中准确估计生态相互作用，线性和非线性真实相互作用均以最小误差被估计。在真实系统中，动力学由线性和非线性生态相互作用混合驱动，其中仅最强者在重复间一致。4. 总体而言，NODEs缓解了对相互作用机制理解的需求，而BNGM缓解了沉重计算成本。这是实现快速NODE拟合、交叉验证与不确定性量化，以及比参数化模型更客观地估计相互作用与复杂情境依赖性的关键一步。
引用
@article{arxiv.2209.06184,
title = {Fast fitting of neural ordinary differential equations by Bayesian neural gradient matching to infer ecological interactions from time series data},
author = {Willem Bonnaffé and Tim Coulson},
journal= {arXiv preprint arXiv:2209.06184},
year = {2022}
}