事件检测方法准确性对事件驱动信号复杂性估计鲁棒性的影响
计算物理
2026-05-27 v1 适应与自组织系统
摘要
复杂性在机器学习中日益受到关注，因为其能够从大数据集中提取合成信息。复杂动力学系统由与自组织行为间歇性诞生-死亡事件相关的时序复杂性所特征。这些快速转换事件 (RTEs) 可建模为沿时间轴上的随机点过程，其中 inter-event 时间 (IETs) 揭示了丰富的动力学。特别是，服从幂律分布的 IETs 表示与泊松统计的偏离，指示存在非平凡复杂性，该复杂性由 IET 分布的幂律指数 量化。然而，在噪声信号中检测 RTEs 仍然是一个挑战，因为误报会遮蔽底层过程的统计结构。本文解决了量化事件检测工具对复杂性估计准确性影响的问题。通过对 Event-Driven Diffusion Scaling (EDDiS) 算法的系统评估，我们实现了这一目标，该算法利用事件驱动扩散来估计时序复杂性。在介绍事件检测方法 RTE-Finder (RTEF) 之后，我们使用事件驱动合成信号评估了 RTEF-EDDiS 流水线的性能。发现 RTEF 的可靠性 strongly 取决于参数，例如百分位值，误报的数量可能远高于真实复杂事件的数量。尽管如此，我们发现复杂性估计对于误报率而言相当稳健。对于 的幂律分布 IETs，第二矩扩展 似乎甚至会随着误报率的增加而改善，估计误差约为 4-7%。
关键词
引用
@article{arxiv.2506.06168,
title = {Robustness of complexity estimation in event-driven signals against accuracy of event detection method},
author = {Marco Cafiso and Paolo Paradisi},
journal= {arXiv preprint arXiv:2506.06168},
year = {2026}
}