更改

跳到导航 跳到搜索
添加27字节 、 2024年9月22日 (星期日)
第216行: 第216行:  
将真实的[[SIR]]动力学的向量场(<math>d\boldsymbol{y}/dt </math>)(红色)、基于编码器的雅可比矩阵得到的理论向量(蓝色)与通过模型学习到的宏观动态的向量(<math>d(h_1,h_2)/dt </math>)(绿色)进行比较。
 
将真实的[[SIR]]动力学的向量场(<math>d\boldsymbol{y}/dt </math>)(红色)、基于编码器的雅可比矩阵得到的理论向量(蓝色)与通过模型学习到的宏观动态的向量(<math>d(h_1,h_2)/dt </math>)(绿色)进行比较。
   −
结果表明(图(c)表示NIS+,图(f)表示[[NIS]]),学习到的向量与真实向量对齐和理论向量对齐。NIS+明显优于[[NIS]],尤其是在没有训练样本的外围区域。
+
结果表明(图(c)表示NIS+,图(f)表示[[NIS]]),学习到的向量与真实向量对齐及理论向量(用雅可比矩阵计算)对齐。NIS+明显优于[[NIS]],尤其是在没有训练样本的外围区域。
   −
综上可知,通过最大化[[有效信息|EI]]和学习独立的因果机制,NIS+可以有效地忽略数据中的噪声,准确地学习真实宏观动态,并有良好的泛化能力。此外,NIS+在识别[[因果涌现|CE]]方面表现出优越的性能。
+
综上可知,通过最大化[[有效信息|EI]]和学习独立的因果机制,NIS+可以有效地忽略数据中的噪声,准确地学习真实宏观动态,并有良好的泛化能力。此外,NIS+在识别[[因果涌现]]方面表现出优越的性能。
    
=== Boids 模型数据 ===
 
=== Boids 模型数据 ===
786

个编辑

导航菜单