野外 SciML：关于结构先验何时有用、何时有害的诊断研究

arXiv:2607.09684v1 公告类型：新 摘要：当结构先验反映可靠的控制动态时，神经常微分方程 (NODE)、物理信息神经网络 (PINN) 和通用微分方程 (UDE) 等科学机器学习 (SciML) 方法最为有效。我们问当这个假设被违反时会发生什么。使用宏观经济预测作为压力测试领域，我们使用稀疏年度数据、多个时间分割和五个随机种子来评估 23 个国家/地区的五个模型系列：ARIMA、LSTM、NODE、PINN 和 UDE。我们的结果表明，没有一个评估模型能够持续实现强劲的预测性能，凸显了低频宏观经济预测的难度。然而，出现了一个清晰的相对层次结构：约束较少的模型，特别是 ARIMA 和 NODE，始终优于约束较多的启发式先验模型，例如 PINN 和 UDE。我们并没有将其视为对 SciML 的拒绝，而是将其解释为诊断结果：当结构先验与数据生成过程不匹配时，它们可能会充当错误正则器。我们识别了故障模式，包括先前的错位、状态转移、结构断裂和优化不稳定，并认为 SciML 从业者应该在假设更多结构有益之前测试结构是否有帮助。