论关键参数组合与非关键参数组合
机器学习
2022-06-10 v2 动力系统
摘要
我们提出了一种数据驱动的方法来刻画模型参数的不可辨识性，并通过动态及稳态动力学模型加以说明。通过采用扩散映射(Diffusion Maps)及其扩展，我们发现了刻画化学系统输出行为所需的最小参数组合：一组模型的有效参数。此外，我们引入并使用了共形自编码器神经网络(Conformal Autoencoder Neural Network)技术，以及基于核的联合平滑函数(Jointly Smooth Function)技术，以将不影响输出行为的冗余参数组合与有影响的参数组合分离开来。我们讨论了数据驱动有效参数的可解释性，并展示了该方法在行为预测与参数估计中的效用。在后一项任务中，描述参数空间中与特定输出行为一致的层次集变得十分重要。我们在一个多位点磷酸化模型上验证了我们的方法，其中一组简化的有效参数（物理参数的非线性组合）此前已通过解析方法确立。
引用
@article{arxiv.2110.06717,
title = {On the Parameter Combinations That Matter and on Those That do Not},
author = {Nikolaos Evangelou and Noah J. Wichrowski and George A. Kevrekidis and Felix Dietrich and Mahdi Kooshkbaghi and Sarah McFann and Ioannis G. Kevrekidis},
journal= {arXiv preprint arXiv:2110.06717},
year = {2022}
}
备注
47 pages, 23 figures, 4 tables, submitted to PNAS Nexus, revised and expanded in response to reviewers' comments