通过贝叶斯神经梯度匹配快速拟合神经常微分方程以从时间序列数据中推断生态相互作用
摘要：用于推断生态相互作用很困难，因为我们经常缺乏适合的参数化表示来描绘它们。神经常微分方程（NODEs）提供了一种非参数估计时间序列数据中的相互作用的方法。然而，NODE的拟合速度较慢，推断的相互作用还没有确定。我们提供了一种快速的NODE拟合方法，贝叶斯神经梯度匹配（BNGM），它依赖于用神经网络插值时间序列，并使用贝叶斯正则化对插值动态进行NODE拟合。我们通过推断具有已知相互作用的ODE模型生成的时间序列中的生态相互作用来测试该方法的准确性。我们还在实验重复的微观世界时间序列中以及野兔和山猫系统中推断相互作用。我们的BNGM方法将NODE系统的拟合时间缩短到几秒钟。该方法对人工系统中的生态相互作用提供了准确的估计，线性和非线性真实相互作用的估计误差很小。在真实系统中，动态是由线性和非线性生态相互作用的混合驱动的，其中只有最强的相互作用在重复实验中保持一致。总的来说，NODE减轻了对相互作用的机械性理解的需求，而BNGM减轻了沉重的计算成本。这是一步至关重要的，使NODE拟合、交叉验证和不确定性量化更快捷，并且比参数模型更客观地估计相互作用和复杂的上下文依赖性。
作者：Willem Bonnaff''e, Tim Coulson
论文ID：2209.06184
分类：Populations and Evolution
分类简称：q-bio.PE
提交时间：2022-09-14