Broadly Applicable Approximate MCMC for Switching Stochastic Differential Equations Using Uniformization and Time-Conditioned Factorized Neural Likelihood Estimation
本文提出了一种适用于切换随机微分方程的广义近似马尔可夫链蒙特卡罗采样器，该采样器结合了均匀化方法与时间条件化因子化神经似然估计，通过实现无需解析可解转移密度的贝叶斯推断，克服了现有方法的局限性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
自然界很少是静止不变的。在生物世界中，系统经常会在毫无预警的情况下切换运行模式。捕食者与猎物的种群可能在一组条件下蓬勃发展，却可能突然面临资源匮乏或竞争激烈的不同现实。在生物学、生态学和经济学中，这些转变通常被建模为连续流，其底层规则会根据一个隐形的、切换的状态而改变。科学家们称这些为切换随机微分方程（switching stochastic differential equations）。它们是描述当环境本身处于波动状态时，事物如何运动和变化的强大工具。然而，试图弄清楚这些切换究竟何时发生，或者切换前后的规则是什么，是极其困难的。我们收集的数据通常具有噪声且不完整，而且在系统复杂、噪声高或规则以不可预测的方式改变时，用于逆向工程这些隐藏变化的数学机制往往会失效。多年来，研究人员一直局限于研究这些系统的最简单版本，使得复杂的现实世界动态难以触及。
早稻田大学的一个研究团队现在开发出一种新方法，可以洞察这些复杂的、不断变化的系统。他们的方法结合了两个截然不同的概念，以创造出一个揭示隐藏模式的强大工具。第一个概念是一种被称为“一致化”（uniformization）的数学技术。想象一下，你正在追踪一名会在随机时刻改变速度的跑步者。与其试图追踪每一个无穷小的步骤，不如通过这种方法在随机时间点创建一系列“检查点”，从而允许研究人员将连续流视为一系列离散步骤。这简化了追踪隐藏切换的问题。第二个概念是被称为“神经似然估计”（neural likelihood estimation）的现代机器学习技术。由于系统运动的数学公式通常过于复杂而无法直接求解，研究人员通过观察数百万个模拟示例来训练计算机模型以学习规则。该模型学会了预测系统在下一时刻可能如何运动，即使观测之间的时间间隔各不相同。
通过将这两项技术交织在一起，研究人员创建了一种新的采样方法，可以重建整个复杂系统的历史。他们在三种以前现有工具难以处理的模拟场景类型上测试了该方法。第一种是捕食者与猎物种群的模型，其中动物的数量会在取决于不同机制（regime）的周期中波动。第二种是基因表达模型，追踪细胞内蛋白质的合成过程。第三种是流行病模型，追踪疾病在人群中的传播。在这三种情况下，系统都具有多维性，这意味着它同时追踪多个变量，且控制变化的规则是非线性的并依赖于系统的当前状态。新方法成功地恢复了系统的隐藏路径，准确识别了规则发生变化的时间，并估算了定义这些规则的参数。结果表明，该方法能够高精度地分辨出真实的底层模式与数据中的随机噪声。
为了证明该方法在现实环境中的有效性，研究人员将其应用于一个关于两种微观生物——趋食弧鞭毛虫（Didinium）与草履虫（Paramecium）之间捕食相互作用的著名数据集。这份几十年前收集的数据展示了种群随时间上升和下降的过程。以往对该数据的分析必须手动排除实验开始阶段，因为在进入规律循环之前，系统处于一个瞬态且不稳定的阶段。然而，这种新方法无需此类人工干预。它自动检测到了时间线早期系统中行为的一个显著转变，识别出了从初始的不稳定阶段到稳定的持续捕食循环的过渡。该方法不仅找到了这一切换点，还提供了变化前后种群动态的清晰图景，且无需简化这些相互作用的复杂数学过程。
这项工作的意义在于其广泛的适用性。以往的方法需要特定的、简化的假设——例如系统只有一个变量或噪声可以忽略不计——而这种新方法适用于具有许多变量、复杂规则和显著测量误差的系统。它不要求研究人员拥有描述系统运动的完美数学公式；相反，它通过模拟学习运动规律。这为研究更广泛的自然现象打开了大门，从野生动物种群的波动到金融市场的剧烈变化，其细节程度和准确度是此前无法实现的。研究人员已将其代码向公众开放，允许他人将这一工具应用于自己的复杂数据，并揭示驱动我们周围世界的隐藏切换。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。