Network Reconstruction From High-Dimensional Ordinary Differential Equations
从高维常微分方程重建网络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：摘要明确以基因调控网络为例，研究动态系统中真实网络结构的估计与恢复。
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…
从高维常微分方程重建网络
- 研究问题
- 如何从带噪声的高维离散时间观测学习动态系统及其网络结构，例如由基因表达时间序列重建基因调控网络？
- 方法与思路
- 作者以加性常微分方程组对动态系统作非参数建模，提出无需先估计导数的学习方法，以避免噪声下导数估计的困难。
- 材料陈述的贡献
- 摘要称，所提方法能够在高维情形下一致恢复真实网络结构，并通过经验比较展示相对于其他方法的改善。
- 阅读关注点
- 核对避免导数估计的具体构造、网络边的定义及可识别性，以及高维结构恢复对观测时间、噪声和模型复杂度的要求。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化。摘要未给出网络恢复的具体条件、算法形式或比较数值，不能据此断言普遍优越。
原文摘要
We consider the task of learning a dynamical system from high-dimensional time-course data. For instance, we might wish to estimate a gene regulatory network from gene expression data measured at discrete time points. We model the dynamical system nonparametrically as a system of additive ordinary differential equations. Most existing methods for parameter estimation in ordinary differential equations estimate the derivatives from noisy observations. This is known to be challenging and inefficient. We propose a novel approach that does not involve derivative estimation. We show that the proposed method can consistently recover the true network structure even in high dimensions, and we demonstrate empirical improvement over competing approaches. Supplementary materials for this article are available online.