English(EN) Gradient estimators for parameter inference in discrete stochastic kinetic models

新的梯度估计器增强了物理模型参数推断能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-04 04:00

研究人员开发了新的梯度估计器，以改进离散随机动力学模型的参数推断，这类模型广泛应用于物理学领域。由于存在不可微操作，传统的自动微分方法不能直接应用于Gillespie随机模拟算法。本文探讨了三种机器学习梯度估计器——Gumbel-Softmax Straight-Through、Score Function和Alternative Path——以克服这一限制。研究发现，虽然Gumbel-Softmax估计器通常表现良好，但在挑战性场景下，其他估计器可以提供更鲁棒的梯度，从而能够有效地利用梯度进行Gillespie SSA的参数推断。 AI

影响引入了可能提高科学建模准确性和效率的新计算技术。

排序理由学术论文，详细介绍了物理模型参数推断的新方法。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Ludwig Burger, Annalena Kofler, Lukas Heinrich, Ulrich Gerland · 2026-06-04 04:00

Gradient estimators for parameter inference in discrete stochastic kinetic models

arXiv:2604.02121v2 Announce Type: replace-cross Abstract: Stochastic kinetic models are ubiquitous in physics, yet inferring their parameters from experimental data remains challenging. For deterministic models, parameter inference often relies on gradients, which can be obtained…

报道来源 [1]

Gradient estimators for parameter inference in discrete stochastic kinetic models

相关话题