Ornstein-Uhlenbeck processes
PulseAugur coverage of Ornstein-Uhlenbeck processes — every cluster mentioning Ornstein-Uhlenbeck processes across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架将工具变量扩展到连续时间因果推断
研究人员开发了一种新的工具变量（IV）方法框架，可应用于连续时间随机过程。该框架解决了在存在未观测混淆因素的情况下，识别随时间演变系统中的因果效应的挑战。该方法在随机微分方程的漂移的无穷小层面编码因果效应，并提供了一个识别条件和估计方法，在实证测试中已被证明优于传统的最大似然法和离散时间IV方法。
-
新的贝叶斯框架量化fMRI连接不确定性
研究人员开发了一个新的贝叶斯框架来量化fMRI功能连接数据中的不确定性。该框架使用耦合的Ornstein-Uhlenbeck过程对BOLD动力学进行建模，并采用顺序神经网络后验估计来解释扫描仪噪声和真实的神经变异性。研究结果为优化fMRI扫描持续时间和空间分辨率提供了指导，表明像7T这样的更高场强扫描仪可以在显著更短的时间内实现与3T扫描仪相当的精度。
-
新的A-PFRM方法解决了高维Fokker-Planck方程问题
研究人员开发了一种名为自适应概率流残差最小化（A-PFRM）的新方法，以应对求解高维Fokker-Planck方程的挑战。该方法将问题重新表述为一阶连续性方程，无需Hessian计算即可进行神经网络近似。该方法结合了Hutchinson迹估计器，用于GPU上的与维度无关的发散计算，并采用自适应采样策略来选择配置点。数值实验证明了A-PFRM在包括Ornstein-Uhlenbeck过程和几何OU过程在内的各种复杂问题上的有效性，维度高达一百维。
-
新方法加速高维动力学系统分析
研究人员开发了一种新颖、计算高效的方法来分析高维动力学系统，特别是 Ornstein-Uhlenbeck 过程。这种新方法利用正交因子载荷矩阵来绕过复杂的后验协方差反演，从而在不牺牲准确性的情况下显著提速。该方法在模拟中表现出优越的性能，并已成功应用于真实的地质测量数据中，用于估计慢滑移事件，为改进地质灾害量化提供了潜力。