論文の概要: Learning stochasticity: a nonparametric framework for intrinsic noise estimation

• arxiv url: http://arxiv.org/abs/2511.13701v1
• Date: Mon, 17 Nov 2025 18:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.687329
• Title: Learning stochasticity: a nonparametric framework for intrinsic noise estimation
• Title（参考訳）: 学習確率性:本質的雑音推定のための非パラメトリックフレームワーク
• Authors: Gianluigi Pillonetto, Alberto Giaretta, Mauro Bisiacco,
• Abstract要約: 時系列データから状態依存の固有ノイズを推定するカーネルベースのフレームワークであるTrineを紹介する。 我々はTrineを生物学的および生態学的システムで検証し、隠れた力学を明らかにする能力を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the principles that govern dynamical systems is a central challenge across many scientific domains, including biology and ecology. Incomplete knowledge of nonlinear interactions and stochastic effects often renders bottom-up modeling approaches ineffective, motivating the development of methods that can discover governing equations directly from data. In such contexts, parametric models often struggle without strong prior knowledge, especially when estimating intrinsic noise. Nonetheless, incorporating stochastic effects is often essential for understanding the dynamic behavior of complex systems such as gene regulatory networks and signaling pathways. To address these challenges, we introduce Trine (Three-phase Regression for INtrinsic noisE), a nonparametric, kernel-based framework that infers state-dependent intrinsic noise from time-series data. Trine features a three-stage algorithm that com- bines analytically solvable subproblems with a structured kernel architecture that captures both abrupt noise-driven fluctuations and smooth, state-dependent changes in variance. We validate Trine on biological and ecological systems, demonstrating its ability to uncover hidden dynamics without relying on predefined parametric assumptions. Across several benchmark problems, Trine achieves performance comparable to that of an oracle. Biologically, this oracle can be viewed as an idealized observer capable of directly tracking the random fluctuations in molecular concentrations or reaction events within a cell. The Trine framework thus opens new avenues for understanding how intrinsic noise affects the behavior of complex systems.
• Abstract（参考訳）: 力学系を支配する原理を理解することは、生物学や生態学を含む多くの科学分野における中心的な課題である。 非線形相互作用と確率効果の不完全な知識はボトムアップモデリングのアプローチを効果的でなくし、データから直接支配方程式を発見できる手法の開発を動機付けている。 このような文脈では、パラメトリックモデルは、特に本質的な雑音を推定する際に、強い事前知識なしで苦労することが多い。 それでも、確率的効果を取り入れることはしばしば、遺伝子制御ネットワークやシグナル伝達経路のような複雑なシステムの動的挙動を理解するのに不可欠である。 これらの課題に対処するために、時系列データから状態依存の内在ノイズを推測する非パラメトリックなカーネルベースのフレームワークであるTrine (Three-phase Regression for INtrinsic NoisE)を紹介する。 Trineは3段階のアルゴリズムを特徴とし、構成されたカーネルアーキテクチャで、突然のノイズ駆動のゆらぎと、分散のスムーズで状態依存的な変化を捉える。 我々はTrineを生物学的および生態学的システムで検証し、事前に定義されたパラメトリックな仮定に頼ることなく隠れた力学を明らかにする能力を示した。 いくつかのベンチマーク問題の中で、Trineはオラクルに匹敵するパフォーマンスを実現している。 生物学的には、このオラクルは細胞内の分子濃度や反応イベントのランダムな変動を直接追跡できる理想的な観察者と見なすことができる。 そこでTrineフレームワークは、内在的なノイズが複雑なシステムの振舞いにどのように影響するかを理解するための新しい道を開く。

関連論文リスト

• Information-Theoretic Bounds and Task-Centric Learning Complexity for Real-World Dynamic Nonlinear Systems [0.6875312133832079]
  動的非線形系は静的および動的効果の結合による歪みを示す。 本稿では, 構造化分解, 分散解析, タスク中心の複雑性境界に基づく理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-09-08T12:08:02Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• Data-Driven Reconstruction and Characterization of Stochastic Dynamics via Dynamical Mode Decomposition [0.0]
  ノイズは古典力学系と量子力学系の性能と予測能力を制限する。 本稿では,動的モード分解(Dynamical Mode Decomposition, DMD)に基づく一般的なデータ駆動型フレームワークを提案する。 この手法は、複雑なシステムの診断、予測、ノイズ緩和分析、制御に広く応用できるツールを提供する。
  論文  参考訳（メタデータ） (2025-07-08T08:59:06Z)
• Continuous-Time SO(3) Forecasting with Savitzky--Golay Neural Controlled Differential Equations [51.510040541600176]
  この研究は、$SO(3)$で連続時間回転オブジェクトの力学をモデル化することを提案する。 単純化された動作仮定に依存する既存の手法とは異なり、本手法は下層の物体軌道の一般的な潜在力学系を学習する。 実世界のデータに対する実験結果から、既存の手法と比較して魅力的な予測能力が示された。
  論文  参考訳（メタデータ） (2025-06-07T12:41:50Z)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Automatically identifying ordinary differential equations from data [0.0]
  本稿では,信号の平滑化にデノナイジング技術を統合することによって,動的法則を同定する手法を提案する。 ランダムな初期条件のアンサンブルを持つよく知られた常微分方程式について,本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T18:00:03Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)
• Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
  本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。 静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
  論文  参考訳（メタデータ） (2022-02-25T20:00:56Z)
• Decimation technique for open quantum systems: a case study with driven-dissipative bosonic chains [62.997667081978825]
  量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。 本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。 本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
  論文  参考訳（メタデータ） (2022-02-15T19:00:09Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。