Generator Identification for Linear SDEs with Additive and Multiplicative Noise
带加性与乘性噪声的线性随机微分方程生成元识别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：摘要明确将生成元识别与从观察分布识别干预后分布联系起来。
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…
带加性与乘性噪声的线性随机微分方程生成元识别
- 研究问题
- 从固定初始状态下线性随机微分方程解过程的分布，何时能够识别生成元，并据此从观察分布确定干预后的分布？
- 方法与思路
- 作者分别推导加性噪声情形的必要充分条件和乘性噪声情形的充分条件，讨论条件的泛性，提供几何解释并开展模拟。
- 材料陈述的贡献
- 摘要称研究给出两类线性随机微分方程的生成元识别条件，说明这些条件具有泛性，并用模拟支持所提出的理论结果。
- 阅读关注点
- 应核对生成元识别与参数识别的区别、固定初始状态的作用、泛性的数学含义，以及生成元如何决定允许的干预分布。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核验。摘要未列出具体识别条件，也未说明离散或含噪观测下的估计及干预适用范围。
原文摘要
In this paper, we present conditions for identifying the generator of a linear stochastic differential equation (SDE) from the distribution of its solution process with a given fixed initial state. These identifiability conditions are crucial in causal inference using linear SDEs as they enable the identification of the post-intervention distributions from its observational distribution. Specifically, we derive a sufficient and necessary condition for identifying the generator of linear SDEs with additive noise, as well as a sufficient condition for identifying the generator of linear SDEs with multiplicative noise. We show that the conditions derived for both types of SDEs are generic. Moreover, we offer geometric interpretations of the derived identifiability conditions to enhance their understanding. To validate our theoretical results, we perform a series of simulations, which support and substantiate the established findings.