面向干预随机微分方程的可识别性
机器学习
2025-11-18 v4
摘要
我们研究了多重干预下随机微分方程（SDE）的可识别性。我们的结果首次给出了在给定其平稳分布样本的情况下，唯一恢复 SDE 参数的可证明界限。我们给出了线性 SDE 所需干预次数的紧确界，以及小噪声条件下非线性 SDE 的上界。我们在合成数据上通过实验验证了真实参数的恢复，并受理论结果的启发，展示了具有可学习激活函数的参数化在基因调控动力学应用中的优势。
引用
@article{arxiv.2505.15987,
title = {Towards Identifiability of Interventional Stochastic Differential Equations},
author = {Aaron Zweig and Zaikang Lin and Elham Azizi and David Knowles},
journal= {arXiv preprint arXiv:2505.15987},
year = {2025}
}