論文の概要: Early warning prediction: Onsager-Machlup vs Schrödinger

• arxiv url: http://arxiv.org/abs/2602.00143v1
• Date: Thu, 29 Jan 2026 03:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:32.973617
• Title: Early warning prediction: Onsager-Machlup vs Schrödinger
• Title（参考訳）: 早期警戒予測:Onsager-Machlup vs Schrödinger
• Authors: Xiaoai Xu, Yixuan Zhou, Xiang Zhou, Jingqiao Duan, Ting Gao,
• Abstract要約: 脳のてんかん発作などの複雑なシステムにおける臨界遷移を予測することは、科学研究における大きな課題である。 本研究では,動的システムモデリングと学習を統合した新しい早期警戒フレームワークを提案する。 新しいスコア関数(SF)インジケータは、システムの重要な状態遷移の可能性を定量化するためにシュルディンガー橋理論を組み込むことによって定義される。
• 参考スコア（独自算出の注目度）: 3.725029656031083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting critical transitions in complex systems, such as epileptic seizures in the brain, represents a major challenge in scientific research. The high-dimensional characteristics and hidden critical signals further complicate early-warning tasks. This study proposes a novel early-warning framework that integrates manifold learning with stochastic dynamical system modeling. Through systematic comparison, six methods including diffusion maps (DM) are selected to construct low-dimensional representations. Based on these, a data-driven stochastic differential equation model is established to robustly estimate the probability evolution scoring function of the system. Building on this, a new Score Function (SF) indicator is defined by incorporating Schrödinger bridge theory to quantify the likelihood of significant state transitions in the system. Experiments demonstrate that this indicator exhibits higher sensitivity and robustness in epilepsy prediction, enables earlier identification of critical points, and clearly captures dynamic features across various stages before and after seizure onset. This work provides a systematic theoretical framework and practical methodology for extracting early-warning signals from high-dimensional data.
• Abstract（参考訳）: 脳のてんかん発作などの複雑なシステムにおける臨界遷移を予測することは、科学研究における大きな課題である。 高次元の特徴と隠れた臨界信号は早期警戒作業をさらに複雑にする。 本研究では,多様体学習と確率力学系モデリングを統合した新しい早期警戒フレームワークを提案する。 系統的な比較により,拡散マップ(DM)を含む6つの手法が選択され,低次元表現が構築される。 これらに基づき、確率進化スコアリング関数を頑健に推定するために、データ駆動確率微分方程式モデルを構築した。 これに基づいて、新しいスコア関数(SF)インジケータはシュレーディンガー橋理論を取り入れ、システム内の重要な状態遷移の可能性を定量化することによって定義される。 この指標はてんかんの予測において高い感度と堅牢性を示し、臨界点の早期同定を可能にし、発作発生前後の様々な段階における動的特徴をはっきりと捉えている。 この研究は、高次元データから早期警戒信号を抽出するための体系的な理論的枠組みと実践的方法論を提供する。

関連論文リスト

• MEET-Sepsis: Multi-Endogenous-View Enhanced Time-Series Representation Learning for Early Sepsis Prediction [50.74903497515021]
  セプシス(Sepsis)は、集中治療室(ICUs)の高死亡にともなう致命的な感染症である。 早期かつ正確な敗血症予測(SP)は、時間的介入には重要であるが、微妙な早期症状と急激な死亡率の増大により、依然として困難である。 本稿では,拡張された特徴ビューを構築するための多言語ビュー表現強化(MERE)機構と,時間的表現学習のためのCDTAモジュールを提案する。 提案したMEET-Sepsis フレームワークは,SOTA 法で要求される ICU モニタリング時間の 20% のみを用いて,競合予測の精度を実現し,大幅に向上した。
  論文  参考訳（メタデータ） (2025-10-13T13:38:29Z)
• Time-Series Learning for Proactive Fault Prediction in Distributed Systems with Deep Neural Structures [5.572536027964037]
  本稿では,分散システムにおける障害予測と遅延応答の課題に対処する。 時間とともにシステム状態の進化をモデル化するために、Gated Recurrent Unitを使用します。 次に、注意機構を適用して、重要な時間セグメントを強化し、潜在的な欠陥を識別するモデルの能力を向上させる。
  論文  参考訳（メタデータ） (2025-05-27T04:31:12Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Early warning indicators via latent stochastic dynamical systems [0.0]
  我々は、低次元多様体の潜在進化力学を捉える異方性拡散写像を開発する。 3つの効果的な警告信号は、潜時座標と潜時力学系によって導出される。 我々の早期警戒指標は状態遷移中の先端を検出することができることがわかった。
  論文  参考訳（メタデータ） (2023-09-07T16:55:33Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• An Optimal Control Approach to Learning in SIDARTHE Epidemic model [67.22168759751541]
  本研究では,疫病データから動的コンパートメンタルモデルの時間変化パラメータを学習するための一般的な手法を提案する。 我々はイタリアとフランスの疫病の進化を予報する。
  論文  参考訳（メタデータ） (2020-10-28T10:58:59Z)
• Stochastic embeddings of dynamical phenomena through variational autoencoders [1.7205106391379026]
  位相空間の再構成において,観測空間の次元性を高めるために認識ネットワークを用いる。 我々の検証は、このアプローチが元の状態空間に類似した状態空間を復元するだけでなく、新しい時系列を合成できることを示している。
  論文  参考訳（メタデータ） (2020-10-13T10:10:24Z)

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。