基于各向异性自组织神经网络推断隐藏公共驱动器动力学
机器学习
2025-04-03 v1
摘要
我们提出了一种新方法，通过分析两个受驱动动力学系统的时间序列数据来推断隐藏公共驱动器的潜在动力学。该推断依赖于时间延迟嵌入、对观测系统内在维度的估计，以及它们的互异维度。我们方法的关键组件是应用于 Kohonen 自组织地图的新型各向异性训练技术，这有效地学习了受驱动系统的吸引子，并将其分离为对应于自身动力学和共享动力学的子流形。为 demonstrating 该方法的有效性，我们使用不同的混沌图进行仿真实验，设置中两个混沌图被一个具有非线性耦合的第三个图驱动。推断得到的时间序列与实际隐藏公共驱动器的时间序列具有很高的相关性，与观测系统相反。我们对重建质量的比较表明，我们的方法优于几种旨在发现观测时间序列背后共同特征的方法，包括像 PCA 和 ICA 这样的线性方法以及动力学成分分析、标准相关分析甚至深度标准相关分析等非线性方法。
引用
@article{arxiv.2504.01811,
title = {Inference of hidden common driver dynamics by anisotropic self-organizing neural networks},
author = {Zsigmond Benkő and Marcell Stippinger and Zoltán Somogyvári},
journal= {arXiv preprint arXiv:2504.01811},
year = {2025}
}