Bayesian hypergraph inference from scarce and noisy dynamical observations
从稀缺且含噪的动态观测中进行贝叶斯超图推断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：摘要直接研究超图中的成对和高阶相互作用结构及超边识别。
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…
从稀缺且含噪的动态观测中进行贝叶斯超图推断
- 研究问题
- 当动态观测稀缺、噪声较大或集中于低维状态区域时，如何恢复成对及高阶相互作用结构，并判断资料是否支持高阶推断？
- 方法与思路
- 作者提出 Bayes-THIS，以自动相关性判定的稀疏贝叶斯回归估计泰勒系数，再结合后验预测检验与可信区间筛选超边。
- 材料陈述的贡献
- 摘要称，该方法改善受限资料下的稳健性并提供不确定性评估；同时揭示特定高阶连接结构可导致无法消除的伪低阶边。
- 阅读关注点
- 应核对泰勒系数与超边的映射、后验预测检验的比较目标、可信区间筛边规则，以及结构不可识别反例的具体构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明具体性能数值；所指出的结构不可识别性不能由贝叶斯收缩消除。
原文摘要
Inferring higher-order interaction structure from observations of dynamics is a central challenge in complex systems, particularly when data are scarce, noisy, or concentrated in lower-dimensional regions of state space. We develop Bayes-THIS, a Bayesian extension of Taylor-based Hypergraph Inference using SINDy (THIS), which reconstructs hypergraph structure from time-series data by identifying sparse Taylor coefficients associated with pairwise and higher-order interactions. By replacing fixed-threshold sparse regression with sparse Bayesian regression using automatic relevance determination, Bayes-THIS explicitly models residual variance and applies adaptive, term-wise coefficient shrinkage, improving robustness in data-limited, high-noise, and ill-conditioned regimes. The resulting Gaussian posterior also enables an uncertainty-aware inference workflow: a posterior predictive check assesses whether the data contain sufficient higher-order signal to reliably support inference beyond a pairwise model, and credible-interval pruning selects hyperedges whose inferred coefficients are statistically distinguishable from zero. Finally, we characterize a fundamental limitation of the Taylor-based inference framework: when higher-order interactions concentrate on nodes that lack lower-order connections, the Taylor expansion systematically inflates lower-order coefficient estimates, producing spurious edges indistinguishable from genuine lower-order interactions. This structural non-identifiability cannot be resolved by either THIS or Bayes-THIS.