Kernel Ordinary Differential Equations
核常微分方程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：摘要研究生物与物理过程的通用微分方程估计，未明确建立所列宏观时间序列或其他计量细分模型。
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
核常微分方程
- 研究问题
- 作者研究在常微分方程函数形式未知且观测含噪时，如何估计非线性动力系统、选择相关函数项并量化信号轨迹不确定性。
- 方法与思路
- 作者基于再生核与平滑样条方差分析框架建模未知函数，允许成对交互，通过稀疏估计选择函数项并构造轨迹置信区间。
- 材料陈述的贡献
- 摘要称在低维与高维情境下建立估计最优性和选择一致性，并扩展现有平滑样条方差分析框架以处理微分方程问题。
- 阅读关注点
- 应核对动力系统的可识别性、观测时间与噪声条件、核函数空间限制，以及函数项选择和轨迹置信区间的理论保证。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；最优性的函数类、采样要求及置信区间覆盖条件未说明，允许非线性不代表无结构约束。
原文摘要
Ordinary differential equation (ODE) is widely used in modeling biological and physical processes in science. In this article, we propose a new reproducing kernel-based approach for estimation and inference of ODE given noisy observations. We do not assume the functional forms in ODE to be known, or restrict them to be linear or additive, and we allow pairwise interactions. We perform sparse estimation to select individual functionals, and construct confidence intervals for the estimated signal trajectories. We establish the estimation optimality and selection consistency of kernel ODE under both the low-dimensional and high-dimensional settings, where the number of unknown functionals can be smaller or larger than the sample size. Our proposal builds upon the smoothing spline analysis of variance (SS-ANOVA) framework, but tackles several important problems that are not yet fully addressed, and thus extends the scope of existing SS-ANOVA as well. We demonstrate the efficacy of our method through numerous ODE examples.