从时间序列推断网络:一种神经方法
Thomas Gaskin1,2, Grigorios A Pavliotis2, Mark Girolami3,4
1Department of Applied Mathematics and Theoretical Physics, University of Cambridge, Cambridge CB3 0WA, UK.
PNAS nexus
|April 1, 2024
概括
这项研究引入了一种新的神经网络方法,从时间序列数据中推断出复杂的网络结构,为改善电网等领域的预测提供了关键的不确定性量化.
科学领域:
- 复杂系统科学 复杂系统科学
- 计算神经科学是一种神经科学.
- 网络科学 网络科学
背景情况:
- 复杂的网络结构是许多系统的基础,但往往是不可观察的.
- 从观察到的动态推断网络连接对于理解这些系统至关重要.
研究的目的:
- 从时间序列数据中推断大型网络邻矩阵的计算方法.
- 在网络推断中提供不确定性量化,解决数据噪声和不确定性问题.
主要方法:
- 利用神经网络方法从时间序列数据推断网络邻近矩阵.
- 应用该方法推断英国电网中的线路故障位置.
- 通过学习经济模型的成本矩阵来证明非线性动态的延伸.
主要成果:
- 该方法提供了网络边缘的概率密度,使得概率陈述成为可能.
- 比马尔科夫链蒙特卡洛采样和最小平方回归获得更高的准确性,特别是在杂或不确定数据的情况下.
- 在线性 (电网) 和非线性 (经济模型) 系统中成功推断了网络结构.
结论:
- 开发的神经网络方法为网络推理提供了一个强大的和可泛化的方法,用于不确定性量化.
- 这种技术通过准确推断隐藏的网络结构来提高对复杂系统的理解.
- 该方法作为一个一般的参数估计方案,适用于各种高维问题.


