Deutsch
 
Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Improving the noise estimation of latent neural stochastic differential equations

Heck, L., Gelbrecht, M., Schaub, M. T., Boers, N. (2025): Improving the noise estimation of latent neural stochastic differential equations. - Chaos, 35, 6, 063139.
https://doi.org/10.1063/5.0257224

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://publications.pik-potsdam.de/pubman/item/item_32452 Versions-Permalink: https://publications.pik-potsdam.de/pubman/item/item_32452_2
Genre: Zeitschriftenartikel

Dateien

einblenden: Dateien
ausblenden: Dateien
:
Heck_2025_063139_1_5.0257224.pdf (Verlagsversion), 2MB
Öffnen   Speichern
Datei-Permalink:
https://publications.pik-potsdam.de/pubman/item/item_32452_1/component/file_32453/Heck_2025_063139_1_5.0257224.pdf
Name:
Heck_2025_063139_1_5.0257224.pdf
Beschreibung:
-
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
https://creativecommons.org/licenses/by-nc-nd/4.0/

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://doi.org/10.5281/zenodo.14534737 (Ergänzendes Material)
Beschreibung:
This package contains all code and experiments from the paper.

Urheber

einblenden:
ausblenden:
 Urheber:
Heck, L.1, Autor
Gelbrecht, Maximilian2, Autor              
Schaub, M. T.1, Autor
Boers, Niklas2, Autor              
Affiliations:
1External Organizations, ou_persistent22              
2Potsdam Institute for Climate Impact Research, ou_persistent13              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: Latent neural stochastic differential equations (SDEs) have recently emerged as a promising approach for learning generative models from stochastic time series data. However, they systematically underestimate the noise level inherent in such data, limiting their ability to capture stochastic dynamics accurately. We investigate this underestimation in detail and propose a straightforward solution; by including an explicit additional noise regularization in the loss function, we are able to learn a model that accurately captures the diffusion component of the data. We demonstrate our results on a conceptual model system that highlights the improved latent neural SDE’s capability to model stochastic bistable dynamics.

Details

einblenden:
ausblenden:
Sprache(n): eng - Englisch
 Datum: 2025-06-082025-06-242025-06-24
 Publikationsstatus: Final veröffentlicht
 Seiten: 12
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: Expertenbegutachtung
 Identifikatoren: DOI: 10.1063/5.0257224
MDB-ID: No MDB - stored outside PIK (see locators/paper)
PIKDOMAIN: RD4 - Complexity Science
Organisational keyword: RD4 - Complexity Science
Working Group: Artificial Intelligence
Model / method: Machine Learning
Research topic keyword: Nonlinear Dynamics
Research topic keyword: Tipping Elements
Regional keyword: Global
OATYPE: Hybrid Open Access
 Art des Abschluß: -

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: Chaos
Genre der Quelle: Zeitschrift, SCI, Scopus, p3
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: -
Seiten: - Band / Heft: 35 (6) Artikelnummer: 063139 Start- / Endseite: - Identifikator: CoNE: https://publications.pik-potsdam.de/cone/journals/resource/180808