Buchumschlag

Turning Time Series into Algebraic Equations: Symbolic Machine Learning for Interpretable Modeling of Chaotic Time Series

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Panja, Madhurima, Younes, Grace, Chakraborty, Tanujit
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Chaotic Dynamics Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data
von: Brenner, Manuel, et al.
Veröffentlicht: (2024)

Almost-Linear RNNs Yield Highly Interpretable Symbolic Codes in Dynamical Systems Reconstruction
von: Brenner, Manuel, et al.
Veröffentlicht: (2024)

Equilibrium Propagation for Learning in Lagrangian Dynamical Systems
von: Massar, Serge
Veröffentlicht: (2025)

Structured Kolmogorov-Arnold Neural ODEs for Interpretable Learning and Symbolic Discovery of Nonlinear Dynamics
von: Liu, Wei, et al.
Veröffentlicht: (2025)

Parameter inference from a non-stationary unknown process
von: Owens, Kieran S., et al.
Veröffentlicht: (2024)

Vestibular reservoir computing
von: Deb, Smita, et al.
Veröffentlicht: (2026)

Anticipating tipping in spatiotemporal systems with machine learning
von: Deb, Smita, et al.
Veröffentlicht: (2026)

Reconstructing dynamics from sparse observations with no training on target system
von: Zhai, Zheng-Meng, et al.
Veröffentlicht: (2024)

Tree-based Learning for High-Fidelity Prediction of Chaos
von: Giammarese, Adam, et al.
Veröffentlicht: (2024)

Time-series-analysis-based detection of critical transitions in real-world non-autonomous systems
von: Lehnertz, Klaus
Veröffentlicht: (2024)

Invariant Measures for Data-Driven Dynamical System Identification: Analysis and Application
von: Botvinick-Greenhouse, Jonah
Veröffentlicht: (2025)

A scalable generative model for dynamical system reconstruction from neuroimaging data
von: Volkmann, Eric, et al.
Veröffentlicht: (2024)

Bayesian Transfer Operators in Reproducing Kernel Hilbert Spaces
von: Boshoff, Septimus, et al.
Veröffentlicht: (2025)

Data-driven model discovery with Kolmogorov-Arnold networks
von: Moradi, Mohammadamin, et al.
Veröffentlicht: (2024)

Complexity Analysis of Environmental Time Series
von: Lange, Holger, et al.
Veröffentlicht: (2025)

The conditional-mean barrier: From deterministic regression to conditional distribution learning
von: Chen, Junfeng
Veröffentlicht: (2026)

Interpretable and Equation-Free Response Theory for Complex Systems
von: Lucarini, Valerio
Veröffentlicht: (2025)

Exploring Complexity Changes in Diseased ECG Signals for Enhanced Classification
von: Quintero, Camilo Quiceno, et al.
Veröffentlicht: (2025)

Quantifying the irregularity of a time series
von: Potratzki, Max, et al.
Veröffentlicht: (2025)

Analog-based ensembles to characterize turbulent dynamics from observed data
von: Granero-Belinchon, Carlos
Veröffentlicht: (2025)

Recurrence Patterns Correlation
von: Marghoti, Gabriel, et al.
Veröffentlicht: (2025)

Local predictors of explosive synchronization with ordinal methods
von: Leyva, I., et al.
Veröffentlicht: (2025)

Parameter and hidden-state inference in mean-field models from partial observations of finite-size neural networks
von: Ratas, Irmantas, et al.
Veröffentlicht: (2026)

Universal Scaling Laws in Freeway Traffic
von: Lee, Garyoung, et al.
Veröffentlicht: (2025)

Recurrence threshold selection for obtaining robust recurrence characteristics in different embedding dimensions
von: Kraemer, K. Hauke, et al.
Veröffentlicht: (2025)

Classifying Complex Dynamical and Stochastic Systems via Physics-Based Recurrence Features
von: Silveira, J. V. M., et al.
Veröffentlicht: (2025)

Transcript-based estimators for characterizing interactions
von: Adams, Manuel, et al.
Veröffentlicht: (2025)

Eigenvector Geometry as a New Route to Criticality in Random Multiplicative Systems
von: Troude, Virgile, et al.
Veröffentlicht: (2025)

Multivariate Joint Recurrence Quantification Analysis: detecting coupling between time series of different dimensionalities
von: Wallot, Sebastian, et al.
Veröffentlicht: (2023)

Disentangling synchrony from serial dependency in paired event time series
von: Odenweller, Adrian, et al.
Veröffentlicht: (2019)

Energy-efficient recurrence quantification analysis
von: Marwan, Norbert
Veröffentlicht: (2025)

Approach to predicting extreme events in time series of chaotic dynamical systems using machine learning techniques
von: Andreani, Alexandre C., et al.
Veröffentlicht: (2025)

Identifying statistical indicators of temporal asymmetry using a data-driven approach
von: Nogare, Teresa Dalle, et al.
Veröffentlicht: (2025)

Distinguishing pairwise and higher-order interactions in coupled oscillators from time series
von: Su, Weiwei, et al.
Veröffentlicht: (2025)

Challenges and perspectives in recurrence analyses of event time series
von: Marwan, Norbert
Veröffentlicht: (2024)

Superuniversal Statistics of Complex Time-Delays in Non-Hermitian Scattering Systems
von: Shaibe, Nadav, et al.
Veröffentlicht: (2024)

Data-Driven Forecasting of High-Dimensional Transient and Stationary Processes via Space-Time Projection
von: Schmidt, Oliver T.
Veröffentlicht: (2025)

Time-Lagged Recurrence: a data-driven method to estimate the predictability of dynamical systems
von: Dong, Chenyu, et al.
Veröffentlicht: (2024)

Learning fluid physics from highly turbulent data using sparse physics-informed discovery of empirical relations (SPIDER)
von: Gurevich, Daniel R., et al.
Veröffentlicht: (2021)

Unifying Lyapunov exponents with probabilistic uncertainty quantification
von: Blake, Liam, et al.
Veröffentlicht: (2024)