The Limits of Inference in Complex Systems: When Stochastic Models Become Indistinguishable
复杂系统的推断极限：随机模型何时不可区分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：摘要明确研究粗采样时间序列中的随机动态模型估计和选择，并分析采样频率的作用，直接依据是时间序列方法。
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…
复杂系统的推断极限：随机模型何时不可区分
- 研究问题
- 随机动力系统只有稀疏时间观测且缺乏解析似然时，如何估计参数和区分模型，采样频率及数据量又如何限定可获得的信息？
- 方法与思路
- 作者提出结合完整路径统计量与桥过程的蒙特卡洛路径推断框架，将机制模型及其推断程序与采样频率和样本规模联合分析。
- 材料陈述的贡献
- 摘要称该方法刻画了较优采样区间及分辨率相关的模型不可区分边界，并在粒子轨迹、微生物组、社媒话题和森林序列中验证。
- 阅读关注点
- 应核对桥过程生成和路径计算误差、参数及模型可区分性的定义，以及采样分辨率边界属于理论结论还是具体模型下的结果。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明具体随机模型、推断保证或最优采样条件，四类应用不足以证明普适性。
原文摘要
Robust inference for stochastic dynamical systems is often hampered by sparse sampling and the absence of closed-form likelihoods. We introduce a Monte Carlo path-inference framework that leverages full-path statistics and bridge processes to deliver reliable parameter estimation and model selection from coarsely sampled time series, without requiring analytical solutions. Crucially, we couple mechanistic stochastic models with their inference procedures to quantify how experimental design -specifically, sampling frequency and dataset size- governs estimator precision and model distinguishability. This analysis reveals optimal sampling regimes and sharp, resolution-dependent limits beyond which competing models become empirically indistinguishable. We validate the approach across four disparate systems -trajectories of optically trapped particles, human microbiome dynamics, social-media topic mentions, and forest population time series- recovering parameters and identifying when inference is fundamentally constrained by measurement resolution, thereby clarifying ongoing debates about dominant noise sources in these systems. Together, these results establish path-based Monte Carlo as a practical, general tool for inference and model discrimination in complex systems and provide principled guidelines for designing measurements that maximize information under real-world constraints.