When are dynamical systems learned from time series data statistically accurate?
从时间序列学习的动力系统何时具有统计准确性？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：摘要直接研究从时间序列学习动力系统及其统计性质，应用背景为一般动力系统。
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…
从时间序列学习的动力系统何时具有统计准确性？
- 研究问题
- 从时间序列训练的动力模型即使测试误差很小，何时仍能准确再现统计矩、Lyapunov 指数及底层系统的不变物理测度？
- 方法与思路
- 作者以遍历理论定义和分析神经动力模型的泛化，研究 Neural ODE 回归及加入 Jacobian 信息的训练，并在混沌系统上验证。
- 材料陈述的贡献
- 摘要称提出覆盖多类神经表示与遍历系统的泛化分析，并解释生成元回归的泛化失败及加入 Jacobian 信息后统计准确性的改善。
- 阅读关注点
- 应核对统计准确性与测度逼近的定义、遍历及混沌系统条件，以及 Jacobian 信息的获取方式和理论结果覆盖的网络结构。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出系统类别的完整限制或误差界，不能将其结论推广到所有时间序列模型。
原文摘要
Conventional notions of generalization often fail to describe the ability of learned models to capture meaningful information from dynamical data. A neural network that learns complex dynamics with a small test error may still fail to reproduce its \emph{physical} behavior, including associated statistical moments and Lyapunov exponents. To address this gap, we propose an ergodic theoretic approach to generalization of complex dynamical models learned from time series data. Our main contribution is to define and analyze generalization of a broad suite of neural representations of classes of ergodic systems, including chaotic systems, in a way that captures emulating underlying invariant, physical measures. Our results provide theoretical justification for why regression methods for generators of dynamical systems (Neural ODEs) fail to generalize, and why their statistical accuracy improves upon adding Jacobian information during training. We verify our results on a number of ergodic chaotic systems and neural network parameterizations, including MLPs, ResNets, Fourier Neural layers, and RNNs.