Consistent diffusion matrix estimation from population time series
利用总体时间序列一致估计扩散矩阵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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦单细胞背景下的随机动力学与扩散矩阵估计，未提供归入所列经济金融细分的充分依据。
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…
关注这篇论文的作者
利用总体时间序列一致估计扩散矩阵
- 研究问题
- 缺少个体时间序列、只有总体快照时，如何区分系统内在扩散与测量噪声，并恢复个体动力学的扩散矩阵？
- 方法与思路
- 作者将总体层面的时间序列与速度测量结合，用这些信息构造扩散矩阵估计量，以解决标准模型的不可识别问题。
- 材料陈述的贡献
- 摘要称，所提出的扩散矩阵估计量具有可证明的一致性，为利用总体观测研究个体随机动力学提供方法。
- 阅读关注点
- 应核对速度测量提供的识别信息、观测噪声设定，以及一致性证明所需的采样方案和渐近条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体识别条件、收敛速度及有限样本误差。
原文摘要
Progress on modern scientific questions regularly depends on using large-scale datasets to understand complex dynamical systems. An especially challenging case that has grown to prominence with advances in single-cell sequencing technologies is learning the behavior of individuals from population snapshots. In the absence of individual-level time series, standard stochastic differential equation models are often nonidentifiable because intrinsic diffusion cannot be distinguished from measurement noise. Despite the difficulty, accurately recovering diffusion terms is required to answer even basic questions about the system's behavior. We show how to combine population-level time series with velocity measurements to build a provably consistent estimator of the diffusion matrix.