人工智能（AI）智能体领域正在快速发展，这得益于大型语言模型（LLM）能够以类人的效率和适应性自主执行和完善任务。在此背景下，多智能体协作已成为一种有前景的方法，使多个AI智能体能够协同解决复杂挑战。本研究探讨了基于角色的多智能体系统在股票研究和投资组合管理中支持股票选择的应用。我们展示了一个由专业智能体团队执行的全面分析，并在不同风险承受能力水平下评估了它们的选股表现与既定基准的比较。此外，我们考察了在股票分析中采用多智能体框架的优势和局限性，为其实际效能和实施挑战提供了重要见解。
大语言模型(LLMs)的普及受到幻觉问题的挑战，这是指模型生成非事实、无意义或不忠实文本的关键故障模式。本文提出语义差异度量(SDM)，一种用于检测忠实性幻觉（即LLMs响应与输入上下文严重偏离的事件）的新型轻量级框架。我们特别关注这类LLM错误的一种具体表现——虚构响应，定义为与用户查询任意且语义错位的回答。现有方法如语义熵通过测量对单一固定提示的回答多样性来测试任意性。我们的SDM框架通过更具提示感知能力的方式改进了这一点：我们不仅测量多个回答之间的一致性，还测量对原始提示的多个语义等价复述之间的一致性，从而测试更深层次的任意性。在方法上，我们使用句子嵌入的联合聚类来创建提示和答案的共享主题空间。提示与响应之间主题共现的热图可视为用户-机器对话的量化二维可视化。然后我们计算一套信息论指标来测量提示与响应之间的语义差异。我们的实用评分𝒮_H结合了Jensen-Shannon散度和Wasserstein距离来量化这种差异，高分表示存在忠实性幻觉。此外，我们发现KL散度KL(Answer || Prompt)是语义探索的有力指标，这是区分不同生成行为的关键信号。这些指标进一步组合成"语义箱"，一个用于分类LLM响应类型（包括危险的自信虚构）的诊断框架。
新数据集大小的快速扩展创造了对快速高效的参数学习技术的需求。 压缩学习是一个框架,通过使用随机,非线性特征将大规模数据库投射到紧凑的信息保护表示上,其尺寸独立于样本数量,可以轻松存储,传输和处理。 然后,这些数据库级摘要用于从底层数据分发中解码感兴趣的参数,而无需访问原始样本,从而提供一个高效且隐私友好的学习框架。 然而,编码和解码技术通常是随机的和数据无关的,未能利用数据的底层结构。 在这项工作中,我们提出了一个框架,通过使用提供比当前最先进的方法更快,更准确的系统,通过神经网络来元学习压缩学习方法的编码和解码阶段。 为了展示呈现的Compressive Meta-Learning框架的潜力,我们探索了多种应用 - 包括基于神经网络的压缩PCA,压缩脊回归,压缩k-means和自动编码器。
Min-max优化出现在许多领域,如博弈论,对抗性机器学习等,以梯度为基础的方法作为典型的计算工具。 除了 convex-concave min-max 优化之外,基于梯度的方法找到的解决方案可能任意远离全局 optima。 在这项工作中,我们介绍了一种算法设备,用于在凸-非凹陷和非凸凹凸-凹凸 min-max 优化中计算全球最优解决方案。 对于前者,我们采用重新计算,将其转换为非凹凸max-min优化问题,具有适当定义的可行集合和客观函数。 新形式可以被看作是Sion的minimax定理的概括。 接下来,我们引入了EXOTIC-an Exact,Optimistic,基于Tree的算法,用于解决重新配制的max-min问题。 EXOTIC使用迭代凸优化求解器(大约)解决内部最小化和分层树搜索外部最大化,根据凸优化求解器返回的近似解决方案,乐观地选择有前途的区域进行搜索。 我们在其最优性间隙上建立上限,作为调用到内部求解器的函数,求解器的收敛率和额外的问题依赖参数。 我们的算法设备及其伴随的理论分析也可以应用于非凸凹凸min-max优化。 此外,我们提出了一类基准凸-非凹凸min-max问题及其分析全局解决方案,为评估min-max优化算法提供了测试平台。 从经验上讲,EXOTIC在这个基准以及文献中现有的数值基准问题上优于基于梯度的方法。 最后,我们通过在拥有三个或三个以上玩家的多人游戏中计算安全策略来展示EXOTIC的效用。
定价灾难(CAT)债券的传统模型难以捕获这些工具中固有的复杂关系数据。 本文介绍了CATNet,这是一个应用几何深度学习架构的新框架,即关系图谱卷积网络(R-GCN),将CAT键主市场建模为图表,利用其底层网络结构进行点差预测。 我们的分析显示,CAT债券市场表现出无规模网络的特征,该网络由几个高度连接和有影响力的中心主导。 CATNet展示了高预测性能,明显优于强大的随机森林基准。 将拓扑中心度措施作为特征,进一步显著提高了准确性。 解释性分析证实,这些网络特征不仅仅是统计工件;它们是长期以来关于发行人声誉、承销商影响力和风险集中的行业直觉的定量代理。 这项研究提供了证据,表明网络连接是价格的关键决定因素,为风险评估提供了新的范式,并证明基于图的模型可以提供最先进的准确性和更深层次的、可量化的市场洞察力。
No related subjects found.
从财务数据中生成预测信号的公式阿尔法采矿对于量化投资至关重要。 尽管各种算法方法(如遗传编程、强化学习和大型语言模型)已经显著扩展了α发现的能力,但系统评估仍然是一个关键挑战。 现有的评估指标主要包括反向测试和基于相关性的措施。 背测试是计算密集型的,本质上是顺序的,并且对特定的策略参数敏感。 基于相关性的指标虽然有效,但仅评估预测能力,并忽略其他关键属性,如时间稳定性,稳健性,多样性和可解释性。 此外,大多数现有阿尔法采矿模型的闭源性质阻碍了可重复性并减缓了该领域的进展。 为了解决这些问题,我们提出了 AlphaEval,一个统一的、可并行的和无背测试的评估框架,用于自动化的 alpha 挖掘模型。 AlphaEval通过五个互补维度评估生成的alphas的整体质量:预测能力,稳定性,市场扰动的稳健性,财务逻辑和多样性。 跨具有代表性的α挖掘算法的广泛实验表明,AlphaEval实现了与综合背测相当的评估一致性,同时提供了更全面的见解和更高的效率。 此外,与传统的单次筛选方法相比,AlphaEval有效地识别了优越的α。 所有的实施和评估工具都是开源的,以促进可重复性和社区参与。
自治交易策略在相当长的时间内一直是人工智能(AI)领域的研究主题。 已经探索了各种人工智能技术,以开发能够交易金融资产的自主代理。 这些方法包括传统方法,如神经网络,模糊逻辑和强化学习,以及最新的进步,包括深度神经网络和深度强化学习。 许多开发人员报告说,在使用历史价格数据(通常称为背测)的模拟过程中,在创建具有强劲性能的策略方面取得了成功。 然而,当这些策略部署在真实市场时,其表现往往会恶化,特别是在风险调整后的回报方面。 在这项研究中,我们提出了一种基于人工智能的策略,其灵感来自经典的投资范式:价值投资。 金融人工智能模型极易受到远观偏见和其他形式的偏见的影响,与现场交易条件相比,这些偏见会显着夸大后置测试的性能。 为了解决这个问题,我们进行了一系列计算模拟,同时控制这些偏差,从而降低了过拟合的风险。 我们的结果表明,拟议方法优于巴西主要市场基准。 此外,名为AlphaX的策略相对于广泛使用的技术指标(如相对强弱指数(RSI)和资金流指数(MFI))表现出卓越的性能,具有统计学意义的结果。 最后,我们讨论几个开放挑战,并在定性分析中强调新兴技术,这些技术可能有助于未来基于人工智能的综合价值投资框架的发展。
Min-max优化出现在许多领域,如博弈论,对抗性机器学习等,以梯度为基础的方法作为典型的计算工具。 除了 convex-concave min-max 优化之外,基于梯度的方法找到的解决方案可能任意远离全局 optima。 在这项工作中,我们介绍了一种算法设备,用于在凸-非凹陷和非凸凹凸-凹凸 min-max 优化中计算全球最优解决方案。 对于前者,我们采用重新计算,将其转换为非凹凸max-min优化问题,具有适当定义的可行集合和客观函数。 新形式可以被看作是Sion的minimax定理的概括。 接下来,我们引入了EXOTIC-an Exact,Optimistic,基于Tree的算法,用于解决重新配制的max-min问题。 EXOTIC使用迭代凸优化求解器(大约)解决内部最小化和分层树搜索外部最大化,根据凸优化求解器返回的近似解决方案,乐观地选择有前途的区域进行搜索。 我们在其最优性间隙上建立上限,作为调用到内部求解器的函数,求解器的收敛率和额外的问题依赖参数。 我们的算法设备及其伴随的理论分析也可以应用于非凸凹凸min-max优化。 此外,我们提出了一类基准凸-非凹凸min-max问题及其分析全局解决方案,为评估min-max优化算法提供了测试平台。 从经验上讲,EXOTIC在这个基准以及文献中现有的数值基准问题上优于基于梯度的方法。 最后,我们通过在拥有三个或三个以上玩家的多人游戏中计算安全策略来展示EXOTIC的效用。
准确预测抗原上的抗体结合位点(表位)对于疫苗设计,免疫诊断,治疗抗体开发,抗体工程,自身免疫和过敏性疾病的研究以及推进我们对免疫反应的理解至关重要。 尽管在硅方法中,已经提出了预测线性(连续)和构象(不连续)表位,但它们在预测构象表位方面一直表现不佳。 在这项工作中,我们提出了一个基于构象的模型,该模型基于来自1,080个抗原抗体复合体的抗原序列进行了训练,利用卷积神经网络(CNN)提取局部特征和变形金刚,以捕获抗原序列中的远程依赖关系。 消融研究表明,CNN增强了线性表位的预测,Transformer模块改善了构象表位的预测。 实验结果表明,我们的模型在PCC,ROC-AUC,PR-AUC和F1在构象表位上的得分方面优于现有基线。
Ho et al (2024) 试图从语言模型估计算法进展的程度。 他们收集语言模型的损失和计算时间的观察数据,并认为随着时间的推移,语言模型的算法效率一直在上升。 也就是说,固定计算实现的损失随着时间的推移而下降。 值此说明中,我提出了估算战略的一个潜在方法问题。 直观地说,如果部分算法质量是潜伏的,并且计算选择与算法质量是内生的,那么由此产生的算法质量估计将被选择偏差所污染。
我们介绍了SECQUE,这是评估财务分析任务中大型语言模型(LLM)的综合基准。 SECQUE由565个专家撰写的问题组成,涵盖四个关键类别的SEC文件分析:比较分析、比率计算、风险评估和财务洞察力生成。 为了评估模型性能,我们开发了SECQUE-Judge,这是一种利用多个基于LLM的法官的评估机制,这表明与人类评估有很强的一致性。 此外,我们还根据基准对各种模型的性能进行了广泛的分析。 通过公开SECQUE,我们的目标是促进金融人工智能的进一步研究和进步。
在传统的量化交易实践中,驾驭复杂而充满活力的金融市场带来了持续的挑战。 充分捕捉各种市场变量,包括长期信息,以及可能导致利润的基本信号仍然是学习算法的艰巨任务。 为了应对这一挑战,本文介绍了基于变压器的增强神经网络架构quantformer,以构建投资因素。 通过从情绪分析中转移学习,量化者不仅利用其在捕获远程依赖和建模复杂数据关系方面的原始固有优势,而且还能够通过数值输入解决任务,并准确预测未来一段时间内的回报。 这项工作收集了2010年至2023年中国资本市场4601只股票的5,000,000多份滚动数据。 这项研究的结果证明了该模型在预测股票趋势方面与其他基于100因素的定量策略相比的卓越表现。 值得注意的是,该模型的创新使用类似变压器的模型来建立因素,结合市场情绪信息,已被证明可以显着提高交易信号的准确性,从而为量化交易策略的未来提供有希望的影响。
人工智能（AI）智能体领域正在快速发展，这得益于大型语言模型（LLM）能够以类人的效率和适应性自主执行和完善任务。在此背景下，多智能体协作已成为一种有前景的方法，使多个AI智能体能够协同解决复杂挑战。本研究探讨了基于角色的多智能体系统在股票研究和投资组合管理中支持股票选择的应用。我们展示了一个由专业智能体团队执行的全面分析，并在不同风险承受能力水平下评估了它们的选股表现与既定基准的比较。此外，我们考察了在股票分析中采用多智能体框架的优势和局限性，为其实际效能和实施挑战提供了重要见解。
新数据集大小的快速扩展创造了对快速高效的参数学习技术的需求。 压缩学习是一个框架,通过使用随机,非线性特征将大规模数据库投射到紧凑的信息保护表示上,其尺寸独立于样本数量,可以轻松存储,传输和处理。 然后,这些数据库级摘要用于从底层数据分发中解码感兴趣的参数,而无需访问原始样本,从而提供一个高效且隐私友好的学习框架。 然而,编码和解码技术通常是随机的和数据无关的,未能利用数据的底层结构。 在这项工作中,我们提出了一个框架,通过使用提供比当前最先进的方法更快,更准确的系统,通过神经网络来元学习压缩学习方法的编码和解码阶段。 为了展示呈现的Compressive Meta-Learning框架的潜力,我们探索了多种应用 - 包括基于神经网络的压缩PCA,压缩脊回归,压缩k-means和自动编码器。
识别与公司相关的风险对投资者和整个金融市场的福祉非常重要。 在这项研究中,我们建立了一个计算框架,从新闻文章中自动提取公司风险因素。 我们新提出的模式包括七个不同的方面,如供应链,法规和竞争。 我们对744篇新闻文章进行采样和注释,并对各种机器学习模型进行基准测试。 虽然大型语言模型在各种类型的NLP任务中取得了巨大的进步,但我们的实验表明,零镜头和很少镜头会提示最先进的LLM(例如: LLaMA-2)在识别风险因素方面只能达到中度到低的表现。 微调预训练的语言模型在大多数风险因素上表现更好。 使用这个模型,我们分析了超过277K的彭博新闻文章,并证明从新闻中识别风险因素可以为公司和行业的运营提供广泛的见解。
地质参数化需要使用一组小的潜在变量表示地理模型,并从这些变量映射到网格块属性,如孔隙率和渗透性。 参数化对于数据同化(历史匹配)很有用,因为它保持地质现实主义,同时减少待确定的变量数量。 扩散模型是一类新的生成式深度学习程序,已被证明优于以前的方法,例如生成对抗网络,用于图像生成任务。 扩散模型被训练成“去噪”,使他们能够从以随机噪声为特征的输入字段中产生新的地质实现。 潜在扩散模型是本研究中考虑的特定变体,通过使用低维潜在变量提供减少尺寸。 这项工作中开发的模型包括用于减少尺寸的变自动编码器和用于去噪过程的U网。 我们的应用程序涉及条件2D三面(通道堤坝泥)系统。 潜在扩散模型被证明提供与地理建模软件样本在视觉上一致的实现。 评估涉及空间和流量响应统计的定量指标,并观察到扩散生成的模型和参考实现之间的一般一致性。 进行稳定性测试以评估参数化方法的平滑度。 然后,潜在扩散模型用于基于集成的数据同化。 考虑两个合成的“真实”模型。 显著的不确定性减少,后P_10-P_90预测,一般括号内观察到的数据,和一致的后地理模型,在这两种情况下都实现。
大语言模型(LLMs)的普及受到幻觉问题的挑战，这是指模型生成非事实、无意义或不忠实文本的关键故障模式。本文提出语义差异度量(SDM)，一种用于检测忠实性幻觉（即LLMs响应与输入上下文严重偏离的事件）的新型轻量级框架。我们特别关注这类LLM错误的一种具体表现——虚构响应，定义为与用户查询任意且语义错位的回答。现有方法如语义熵通过测量对单一固定提示的回答多样性来测试任意性。我们的SDM框架通过更具提示感知能力的方式改进了这一点：我们不仅测量多个回答之间的一致性，还测量对原始提示的多个语义等价复述之间的一致性，从而测试更深层次的任意性。在方法上，我们使用句子嵌入的联合聚类来创建提示和答案的共享主题空间。提示与响应之间主题共现的热图可视为用户-机器对话的量化二维可视化。然后我们计算一套信息论指标来测量提示与响应之间的语义差异。我们的实用评分𝒮_H结合了Jensen-Shannon散度和Wasserstein距离来量化这种差异，高分表示存在忠实性幻觉。此外，我们发现KL散度KL(Answer || Prompt)是语义探索的有力指标，这是区分不同生成行为的关键信号。这些指标进一步组合成"语义箱"，一个用于分类LLM响应类型（包括危险的自信虚构）的诊断框架。
定价灾难(CAT)债券的传统模型难以捕获这些工具中固有的复杂关系数据。 本文介绍了CATNet,这是一个应用几何深度学习架构的新框架,即关系图谱卷积网络(R-GCN),将CAT键主市场建模为图表,利用其底层网络结构进行点差预测。 我们的分析显示,CAT债券市场表现出无规模网络的特征,该网络由几个高度连接和有影响力的中心主导。 CATNet展示了高预测性能,明显优于强大的随机森林基准。 将拓扑中心度措施作为特征,进一步显著提高了准确性。 解释性分析证实,这些网络特征不仅仅是统计工件;它们是长期以来关于发行人声誉、承销商影响力和风险集中的行业直觉的定量代理。 这项研究提供了证据,表明网络连接是价格的关键决定因素,为风险评估提供了新的范式,并证明基于图的模型可以提供最先进的准确性和更深层次的、可量化的市场洞察力。
在本文中,我们的目标是在没有任何人类标签的情况下,仅从动态多视图视频对3D场景几何,外观和物理信息进行建模。 通过利用物理信息损失作为软约束或将简单的物理模型集成到神经网络中,现有作品通常无法学习复杂的运动物理,或者这样做需要额外的标签,如对象类型或掩码。 我们提出了一个名为TRACE的新框架,用于模拟复杂动态3D场景的运动物理。 我们方法的关键新颖之处在于,通过将每个3D点作为空间中大小和方向的刚性粒子,我们直接学习每个粒子的翻译旋转动力学系统,明确估计一整套物理参数以随着时间的推移控制粒子的运动。 三个现有动态数据集和一个新创建的具有挑战性的合成数据集的广泛实验证明了我们的方法在未来帧外推任务中的非凡表现。 我们框架的一个很好的特性是,只需将学习的物理参数分组,就可以轻松地分割多个对象或部分。
通过量化风险收益权衡,投资组合优化构成了风险管理的基石。 由于它本质上依赖于未来不确定性条件下的准确参数估计,因此选择适当的输入参数对于有效的投资组合构建至关重要。 然而,大多数传统的统计估计和机器学习算法通过最小化均方误差(MSE)来确定这些参数,该标准可以产生次优投资决策。 在本文中,我们采用以决策为中心的学习(DFL) - 一种直接优化决策质量而不是预测错误(如MSE)的方法 - 得出全球最小变量组合(GMVP)。 具体来说,我们理论上使用GMVP的分析解决方案及其关于自身主要组成部分的属性得出决策损失的梯度。 通过广泛的实证评估,我们表明,以预测为重点的估计方法在实践中可能无法产生最佳分配,而基于DFL的方法则始终如一地提供卓越的决策性能。 此外,我们还全面分析了DFL在GMVP构建中的机制,重点关注其波动性降低能力,决策驱动特性和估计特性。
公共汽车的准确轨迹预测对于智能交通系统至关重要,特别是在城市环境中。 在多式联运数据有限的发展中地区,尽管存在固有的挑战,但仅依靠车载GPS数据仍然不可或缺。 为了解决这个问题,我们提出了GSMT,这是一种混合模型,它将图形注意力网络(GAT)与序列到序列的递归神经网络(RNN)集成在一起,并集成了一个任务校正器,能够从大规模轨迹数据中提取复杂的行为模式。 任务校正器将历史轨迹簇簇,以识别不同的运动模式,并微调GAT和RNN产生的预测。 具体来说,GSMT通过嵌入式混合网络融合动态总线信息和静态站信息来执行轨迹预测,并在产生初始预测后应用任务校正器进行二次细化。 这种两阶段的方法能够在复杂条件下在密集的城市交通环境中运行的公共汽车进行多结点轨迹预测。 在来自马来西亚吉隆坡的真实世界数据集上进行的实验表明,我们的方法明显优于现有方法,在短期和长期轨迹预测任务中均表现出色。
现实世界中的全过程临床诊断包括整个诊断工作流程,从仅从模棱两可的首席投诉开始。 虽然人工智能(AI),特别是大型语言模型(LLM),正在改变临床诊断,但其作用在很大程度上仍然是医生的助手。 这种人工智能辅助的工作模式使人工智能只能在诊断过程中的某些部分回答特定的医学问题,但缺乏从模棱两可的投诉开始推动整个诊断过程的能力,这种投诉仍然严重依赖人类医生。 这种差距限制了人工智能充分减少医生工作量和提高诊断效率的能力。 为了解决这个问题,我们提出了一个范式转变,扭转了医生和人工智能之间的关系:将人工智能重新定位为主要主任,由医生担任助理。 因此,我们介绍了DxDirector-7B,一种具有先进深度思维能力的LLM,使其能够以最小的医生参与度推动全过程诊断。 此外,DxDirector-7B为误诊建立了一个强有力的问责框架,划定了人工智能和人类医生之间的责任。 在全过程诊断设置下对罕见,复杂和真实案例的评估中,DxDirector-7B不仅实现了显着的卓越诊断准确性,而且还比最先进的医疗LLM和通用LLM显着降低了医生的工作量。 跨多个临床部门和任务的精细分析验证了其功效,专家评估表明其作为医学专家的可行替代品的潜力。 这些发现标志着一个新时代,人工智能,传统上是医生的助手,现在推动整个诊断过程,以大幅减少医生的工作量,表明一个高效和准确的诊断解决方案。
Markowitz通过均方差优化(MVO)框架奠定了投资组合理论的基础。 然而,MVO的有效性取决于对预期回报,差异和资产回报的协方差的精确估计,这些收益通常是不确定的。 机器学习模型在估计不确定参数方面变得很有用,并且这些模型经过训练,可以最大限度地减少预测错误,例如平均平方误差(MSE),该模型在资产上统一处理预测错误。 最近的研究指出,这种方法将导致次优决策,并提出以决策为重点学习(DFL)作为解决方案,整合预测和优化,以改善决策结果。 虽然研究表明DFL有可能提高投资组合性能,但DFL如何修改MVO预测模型的详细机制仍未开发。 本研究探讨了DFL如何调整股票回报预测模型以优化MVO中的决策。 从理论上讲,我们表明DFL的梯度可以通过反向协方差矩阵来解释为基于MSE的预测误差倾斜,有效地将资产间相关性纳入学习过程,而MSE则独立处理每个资产的错误。 这种倾斜机制导致系统预测偏差,DFL高估了投资组合中包含的资产的回报,同时低估了被排除的资产。 我们的发现揭示了为什么DFL尽管预测错误更高,但都能获得卓越的投资组合表现。 战略偏见是特征,而不是缺陷。
元归化算法因其能够生成各种解决方案而在各个领域获得了广泛的应用。 其中一个算法是Snake Optimizer(SO),一种渐进优化方法。 然而,SO患有缓慢收敛速度和对局部最优的易感性问题。 鉴于这些缺点,我们提出了一种新的多策略改进蛇优化器(MISO)。 首先,我们提出了一种新的基于正畸功能的自适应随机扰动策略,以缓解被困在局部最佳环境中的风险。 其次,我们引入了基于规模因素和领导者的自适应利维飞行策略,并赋予具有飞行能力的雄性蛇领导者,这使得算法更容易从局部最佳方向跳出并找到全局最佳。 更重要的是,我们提出了将精英领导与布朗运动相结合的立场更新战略,有效加快收敛速度,同时确保精准度。 最后,为了展示MISO的性能,我们使用了30个CEC2017测试功能和CEC2022测试套件,将其与不同维度的11种流行算法进行比较,以验证其有效性。 此外,无人飞行器(UAV)因其低成本、高机动性和易于操作的优点而广泛应用于各个领域。 然而,无人机路径规划问题对飞行安全和效率至关重要,在建立和优化路径模型方面仍然存在挑战。 因此,我们将MISO应用于无人机3D路径规划问题以及6个工程设计问题,以评估其在实际应用中的可行性。 实验结果表明,MISO在解决方案质量和稳定性方面超过了其他竞争算法,确立了其强大的应用潜力。
具有数千个扰动的现代高通量生物数据集为大规模发现代表基因之间调控相互作用的因果图提供了机会。 已经提出了可区分的因果图形模型,以从大规模介入数据集中推断出基因调控网络(GRN),从遗传扰动中捕获因果基因调控关系。 然而,现有模型在表达性和可扩展性方面受到限制,同时未能解决细胞分化等生物过程的动态性质。 我们提出了PerturbODE,这是一个新颖的框架,它结合了生物学信息的神经普通微分方程(神经ODE)来模拟扰动下的细胞状态轨迹,并从神经ODE的参数中得出因果GRN。 我们展示了PerturbODE在模拟和真实过度表达数据集的轨迹预测和GRN推理方面的功效。
