Inferring stochastic dynamics from functional data
从函数型数据推断随机动态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。
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：摘要研究函数型生长数据的随机动态，未明确涉及给定分类中的时间序列或其他专门方向。
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
从函数型数据推断随机动态
- 研究问题
- 能否直接从函数型观测中推断含随机成分的动态方程，并衡量确定性部分对变化的解释程度，而非预先指定完整方程？
- 方法与思路
- 作者在一阶非线性微分方程含随机成分的框架下，以平滑方法构造数据自适应动态方程，并设计方差解释诊断。
- 材料陈述的贡献
- 摘要称建立了所提方法的一致性，并通过人体生长应用展示如何从函数型数据理解动态过程及其确定性成分。
- 阅读关注点
- 应核对随机成分的定义、观测与平滑条件、一致性证明，以及确定性部分解释方差的诊断如何计算和解释。
- 阅读边界
- 仅据版本未注明的索引摘要；方程可识别性、平滑条件和应用结果未说明，不能推断刊本变化或普遍适用性。
原文摘要
In most current data modelling for time-dynamic systems, one works with a prespecified differential equation and attempts to estimate its parameters. In contrast, we demonstrate that in the case of functional data, the equation itself can be inferred. Assuming only that the dynamics are described by a first-order nonlinear differential equation with a random component, we obtain data-adaptive dynamic equations from the observed data via a simple smoothing-based procedure. We prove consistency and introduce diagnostics to ascertain the fraction of variance that is explained by the deterministic part of the equation. This approach is shown to yield useful insights into the time-dynamic nature of human growth.