Higher-Order-KANDy 无需候选库即可从含噪数据中恢复高阶动力学方程，在 7.5% 噪声下仍选出精确活跃项集
相关研究与后续进展
核心概要
作者提出 Higher-Order-KANDy，用延迟与导数（jet）嵌入配合按导数阶排列的 KANDy 层堆叠，把延迟到 jet 的映射学成 Kolmogorov-Arnold 网络，从而在无候选库条件下原生处理高阶系统；在合成基准上，它能在粗采样与噪声下恢复方程，并在噪声升至 7.5% 时于每个随机种子都选出精确活跃项集，而 oracle 弱形式回归在该噪声水平会出现伪项，尽管 oracle 的系数估计更准确。
Figure 1: Overview of the Higher-Order-KANDy framework. (a) A delay embedding y ( t ) = ( x ( t ) , x ( t − τ ) , … , x ( t − ( m − 1 ) τ ) ) ∈ ℝ m y(t)=(x(t),x(t-\tau),\dots,x(t-(m-1)\tau))\in\mathbb{R}^{m} ( m m delays, step τ \tau ) is passed through (b) a 1-KANDy lifting layer that estimates the latent velocity x ^ ′ \hat{x}^{\prime} . (c) Repeated differentiation builds the derivative stack 𝒟 k = { x , x ^ ′ , … , x ^ ( k − 1 ) } \mathcal{D}_{k}=\{x,\hat{x}^{\prime},\ldots,\hat{x}^{(k-1)}\} , from which (d) the feature set Θ k ( 𝒟 k , t ) \Theta_{k}(\mathcal{D}_{k},t) is assembled. (e) A k k -KANDy equation layer learns univariate edge functions φ k , j \varphi_{k,j} whose sum predicts x ^ ( k ) \hat{x}^{(k)} , so the edges read out directly as the additive terms of the governing equation.
arXiv深度剖析
提出 Higher-Order-KANDy，用延迟与导数（jet）嵌入加按导数阶排列的 KANDy 层堆叠，直接从数据学习高阶动力系统的控制方程。 相对 SINDy 与 WSINDy，该方法不需要候选库，例如在没有任何预先命名项的情况下恢复出整周期的 -sin(u)，并原生支持高阶系统，而不必先把高阶方程降为一阶形式。 摘要报告在合成基准上、含粗采样与噪声条件下完成方程恢复，并与 SINDy、WSINDy 在含噪数据上作对比。
在噪声增大时保持正确的项结构，在噪声水平升至 7.5% 时每个随机种子都选出精确活跃项集。 同一噪声水平下，oracle 弱形式回归会引入一个伪项，而 Higher-Order-KANDy 未出现该问题。 摘要给出噪声水平上限 7.5%、逐种子选择结果以及与 oracle 弱形式回归的对照，同时说明 oracle 在系数估计精度上仍更优。
利用延迟嵌入与微分嵌入之间的关系以及 Kolmogorov-Arnold 表示定理，构造延迟到 jet 的映射并学成 Kolmogorov-Arnold 网络。 该构造用于保留导数结构，并给出出现在控制方程中的有意义项，从而绕开高阶方程降阶带来的候选项膨胀与导数估计噪声两个问题。 摘要以方法构造与合成基准结果为依据，未给出具体网络规模或数据集数量。
启示与展望
该工作面向需要从数据推导高阶动力系统控制方程的研究者与工程实践者，适用于含粗采样与噪声的合成基准设定，其价值在于无需预先指定候选库即可给出具有物理含义的项，并可作为延迟嵌入与微分嵌入之间关系的具体实现路径。摘要所述结果限于合成基准，因此其适用范围应理解为该设定下的方程恢复与项结构选择。
摘要未给出网络规模、训练细节、基准系统数量与噪声以外的扰动类型，也未说明在真实测量数据上的表现；oracle 弱形式回归在系数精度上仍更优，提示项结构选择与系数估计精度之间的取舍值得进一步观察。此外，本次可获取内容为摘要，图表与实验细节未包含在内，因此对具体数值与消融结论的复述能力有限。