10:23
arXiv cs.LG@Yang Pan, Helmut Bölcskei
推荐理由：这篇论文给了你从数据识别ODE的理论底线，告诉你最少需要多少观测才能唯一确定方程，做科学机器学习的必读。
全部 AI 动态
AI 相关资讯全量信息流
6月26日
10:23
本文引入解集上的Hausdorff距离作为比较微分方程的自然度量，该度量捕捉两个方程在所有初始条件下的最坏情况分离，从而编码了识别问题的极小极大结构。作者建立了线性和非线性（Lipschitz/Hölder连续向量场）ODE的可识别性边界，明确了何时能从解数据中区分两个不同方程。利用该度量，推导了相关ODE类的度量熵估计，并量化了可靠恢复控制方程所需解观测的样本复杂度界限。
6月16日
20:46
AITOP6月16日 20:46
6月12日
12:57
AITOP6月12日 12:57
6月11日
15:28
AITOP6月11日 15:28
15:23
AITOP6月11日 15:23
15:07
AITOP6月11日 15:07
5月14日
13:26
13:26
arXiv cs.LG@Gordan Prastalo, Kevin Maik Jablonka
精选
推荐理由：科学机器学习领域长期忽视预测一致性问题，这篇论文给出了可落地的解决方案。做化学/材料AI建模的团队，建议在基准测试中加上这个指标，否则参数侧和数据侧方法在关键差异上无法区分。