On Vector Field Reconstruction from Noisy ODE in High Ambient Dimension
高维噪声常微分方程中的向量场重构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：摘要讨论的是高维 ODE 向量场的非参数极小极大估计与收敛速率，属于统计与机器学习理论方向，与所列微观计量、宏观时间序列及金融计量细分领域均无直接文本对应，故不选择。
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
高维噪声常微分方程中的向量场重构
- 研究问题
- 摘要称，研究在高维环境空间中、初始条件取自低维结构分布时，如何从带噪轨迹非参数估计自治常微分方程 y'=f(y) 的向量场 f。
- 方法与思路
- 作者提出将流重构与非参数回归中的导数估计技术相结合的估计量，并从极小极大视角在由 μ 支撑生成的轨迹包络内研究 f 的重构，在 f 的正则性假设下推导收敛速率。
- 材料陈述的贡献
- 摘要称所建立的收敛速率依赖时间分辨率、初始条件数目与刻画 μ 质量集中的参数 b，并证明这些速率在忽略对数因子意义下达到极小极大最优，说明该做法可缓解维数灾难；数值实验用于展示计算与统计效率。
- 阅读关注点
- 阅读全文时应核对：f 与 μ 的具体正则性假设、(a,b)-标准分布的定义、估计量的构造细节、收敛速率的确切形式与下界证明，以及数值实验的设置与结论是否支持摘要表述。
- 阅读边界
- 仅凭摘要无法判断假设是否可验证、证明是否完整、速率常数与实验规模等细节；摘要未说明具体数据集、代码与实现方式，也未给出可比较的基准结果。
原文摘要
This work investigates the nonparametric estimation of the vector field of a noisy Ordinary Differential Equation (ODE) in high-dimensional ambient spaces, under the assumption that the initial conditions are sampled from a lower-dimensional structure. Specifically, let \( f:\mathbb{R}^{D}\to\mathbb{R}^{D} \) denote the vector field of the autonomous ODE \( y' = f(y) \). We observe noisy trajectories \( \tilde{y}_{X_i}(t_j) = y_{X_i}(t_j) + \varepsilon_{i,j} \), where \( y_{X_i}(t_j) \) is the solution at time \( t_j \) with initial condition \( y(0)=X_i \), the \( X_i \) are drawn from a \((a,b)\)-standard distribution \( μ\), and \( \varepsilon_{i,j} \) denotes noise. From a minimax perspective, we study the reconstruction of \( f \) within the envelope of trajectories generated by the support of \( μ\). We proposed an estimator combining flow reconstruction with derivative estimation techniques from nonparametric regression. Under mild regularity assumptions on \( f \), we establish convergence rates that depend on the temporal resolution, the number of initial conditions, and the parameter \( b \), which controls the mass concentration of \( μ\). These rates are then shown to be minimax optimal (up to logarithmic factors) and illustrate how the proposed approach mitigates the curse of dimensionality. Additionally, we illustrate the computational and statistical efficiency of our estimator through numerical experiments.