MAGI-X：用于未知系统动力学的流形约束高斯过程推断
机器学习
2021-10-22 v3 机器学习
统计计算
统计方法学
摘要
常微分方程（ODEs）常用于刻画动力系统，但对于许多复杂科学应用，即便借助领域专家也难以以封闭形式提出。我们提出一种快速且准确的数据驱动方法MAGI-X，以非参数方式从观测数据中学习未知动力学，无需任何领域知识。不同于主要依赖昂贵数值积分的现有方法，MAGI-X利用神经网络强大的函数逼近能力，在流形约束高斯过程推断（MAGI）框架内学习未知非线性动力学，从而完全规避数值积分。在三个真实示例上与最先进方法对比，MAGI-X在拟合和预测上均取得有竞争力的精度，而仅耗费极少的计算时间。此外，MAGI-X为部分观测系统的推断提供了实用方案，这是以往任何方法均无法处理的。
引用
@article{arxiv.2105.12894,
title = {MAGI-X: Manifold-Constrained Gaussian Process Inference for Unknown System Dynamics},
author = {Chaofan Huang and Simin Ma and Shihao Yang},
journal= {arXiv preprint arXiv:2105.12894},
year = {2021}
}