Mechanistic Hierarchical Gaussian Processes
融合机理信息的层级高斯过程AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究生理机理与函数数据的贝叶斯建模，未直接涉及所列计量领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
融合机理信息的层级高斯过程
- 研究问题
- 如何在灵活的函数数据分析中纳入微分方程描述的生理机理？摘要以肌肉激活为背景，关注黑箱曲线模型的局限。
- 方法与思路
- 作者提出非参数贝叶斯层级高斯过程，使先验偏向符合动力、阻尼和弹簧系统微分方程的曲线，并用 Gibbs 抽样计算后验。
- 材料陈述的贡献
- 摘要提出一种将机理知识纳入函数分布的新模型类，并应用于大鼠肌肉激活数据；作者认为该思路可推广至其他函数数据。
- 阅读关注点
- 应核对微分方程如何进入高斯过程、机理约束的强度及参数识别，并检查 Gibbs 抽样收敛和机理失配下的敏感性。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；方程形式、先验和计算诊断未提供，跨应用推广及相对拟合优势不能据此确认。
原文摘要
The statistics literature on functional data analysis focuses primarily on flexible black-box approaches, which are designed to allow individual curves to have essentially any shape while characterizing variability. Such methods typically cannot incorporate mechanistic information, which is commonly expressed in terms of differential equations. Motivated by studies of muscle activation, we propose a nonparametric Bayesian approach that takes into account mechanistic understanding of muscle physiology. A novel class of hierarchical Gaussian processes is defined that favors curves consistent with differential equations defined on motor, damper, spring systems. A Gibbs sampler is proposed to sample from the posterior distribution and applied to a study of rats exposed to non-injurious muscle activation protocols. Although motivated by muscle force data, a parallel approach can be used to include mechanistic information in broad functional data analysis applications.