A Note on Simulation-Based Inference by Matching Random Features
通过匹配随机特征进行模拟推断：一则札记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：摘要讨论通用模拟推断，时间序列文献仅提供理论背景，不足以确定所列细分领域。
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
通过匹配随机特征进行模拟推断：一则札记
- 研究问题
- 研究能否通过匹配模拟输出与观测数据上的随机函数值完成参数推断，以及少量随机特征何时足以识别模型。
- 方法与思路
- 作者结合非线性动力学中的状态空间重构与机器学习中的随机特征思想，调整模拟参数以匹配随机函数，并提供数值示例。
- 材料陈述的贡献
- 摘要提出随机函数匹配的概念验证思路，并援引相关文献说明，对维度为 d 的参数空间，2d+1 个函数通常可能足以识别。
- 阅读关注点
- 应核对“通常足以识别”所需的具体条件、随机函数的抽取方式、匹配准则，以及有限样本误差和数值证据的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；作者明确称其为初步概念验证，详细理论与数值分析尚待另文展开。
原文摘要
We can, and should, do statistical inference on simulation models by adjusting the parameters in the simulation so that the values of {\em randomly chosen} functions of the simulation output match the values of those same functions calculated on the data. Results from the "state-space reconstruction" or "geometry from a time series'' literature in nonlinear dynamics indicate that just $2d+1$ such functions will typically suffice to identify a model with a $d$-dimensional parameter space. Results from the "random features" literature in machine learning suggest that using random functions of the data can be an efficient replacement for using optimal functions. In this preliminary, proof-of-concept note, I sketch some of the key results, and present numerical evidence about the new method's properties. A separate, forthcoming manuscript will elaborate on theoretical and numerical details.