基于原语学习预测动力系统临界转变
机器学习
2026-05-13 v1
摘要
临界转变——涉及人类和自然系统中往往不可逆的结构性变化——常常带来灾难性后果。现实观测数据稀缺，阻碍了可靠早期预警系统的构建。传统统计与谱指标（如方差增大）在数据有限、噪声相关的现实条件下常常失效，而现有深度学习分类器也难以超出训练数据分布进行外推。在本工作中，我们引入TipPFN框架，利用原语学习（ICL）机制，通过先验数据拟合网络来推断系统接近临界转变的程度。TipPFN基于我们新构建的合成数据生成器训练，该生成器以标准分岔情景为基础，耦合多样化的随机动力学。我们展示在先前未见的tipping regimes、sim-to-real情景以及真实观测数据中，TipPFN在ICL和zero-shot设置下均能实现稳健、领先的早期检测。
引用
@article{arxiv.2605.12308,
title = {In-context learning to predict critical transitions in dynamical systems},
author = {Yunus Sevinchan and Juan Nathaniel and Kai Ueltzhöffer and Carla Roesch and Tobias Weber and Vaios Laschos and Hang Fan and Gregor Ramien and Johannes Haux and Pierre Gentine and Benjamin Herdeanu},
journal= {arXiv preprint arXiv:2605.12308},
year = {2026}
}
备注
14+38 pages, 5+23 figures