Inferring Parsimonious Coupling Statistics in Nonlinear Dynamics with Variational Gaussian Processes
利用变分高斯过程推断非线性动力系统的简约耦合统计量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：摘要聚焦非线性动力系统与神经血管耦合，未明确对应所列经济计量领域的具体问题。
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
利用变分高斯过程推断非线性动力系统的简约耦合统计量
- 研究问题
- 在非线性动力系统的探索性耦合分析中，如何处理超参数不确定性并减少误报，特别是多重比较容易产生假阳性时？
- 方法与思路
- 作者将高斯过程收敛交叉映射扩展为变分贝叶斯方法，以均值场近似降低计算成本，并结合置换零分布构造显著性统计量。
- 材料陈述的贡献
- 摘要称，相较使用点估计超参数的置换方法，新方法在模拟动力系统和神经血管机制模型中提高特异度，有助于减少误报。
- 阅读关注点
- 读全文时应核对交叉映射的解释条件、均值场近似与置换方案，以及特异度改善是否同时影响检验功效和多重比较控制。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明正式误报控制保证，也未确立经济应用中的适用性。
原文摘要
Falsification is the basis for testing existing hypotheses, and a great danger is posed when results incorrectly reject our prior notions (false positives). Though nonparametric and nonlinear exploratory methods of uncovering coupling provide a flexible framework to study network configurations and discover causal graphs, multiple comparisons analyses make false positives more likely, exacerbating the need for their control. We aim to robustify the Gaussian Processes Convergent Cross-Mapping (GP-CCM) method through Variational Bayesian Gaussian Process modeling (VGP-CCM). We alleviate computational costs of integrating with conditional hyperparameter distributions through mean field approximations. This approximation model, in conjunction with permutation sampling of the null distribution, permits significance statistics that are more robust than permutation sampling with point hyperparameters. Simulated unidirectional Lorenz-Rossler systems as well as mechanistic models of neurovascular systems are used to evaluate the method. The results demonstrate that the proposed method yields improved specificity, showing promise to combat false positives