研究发现结构性先验会阻碍 SciML 模型进行预测

一篇新发表在 arXiv 上的研究论文，调查了科学机器学习 (SciML) 方法中结构性先验的有效性，特别是在这些先验与底层数据生成过程不匹配时。该研究在宏观经济预测领域评估了五种模型家族，包括神经常微分方程 (NODEs)、物理信息神经网络 (PINNs) 和通用微分方程 (UDEs)。研究结果表明，像 ARIMA 和 NODEs 这样约束较少的模型通常优于像 PINNs 和 UDEs 这样约束较多的模型，这表明当结构性先验与数据不匹配时，它们可能起到错误的正则化作用。该研究确定了几个失败模式，包括先验不匹配和优化不稳定，并建议 SciML 从业者应通过实证测试来评估结构性先验的益处。 AI

影响 强调了在预测任务中过度约束模型（使用结构性先验）的潜在弊端。

排序理由 一篇发表在 arXiv 上的研究论文，详细介绍了对 SciML 方法的诊断研究。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• ARIMA
• long short-term memory
• Neural Ordinary Differential Equations
• Node.js
• physics-informed neural networks
• Ude
• Universal Differential Equations

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →