Nature Communications · 19. September 2026 · Aus Ausgabe 39
Dynamics-informed machine learning for recovering extensive missing systems dynamics
Ein Computermodell rekonstruierte fehlende Daten anhand gemeinsamer Muster, selbst wenn 90 % fehlten.
Tao Wu, Xiangyun Gao et al.
Eine neue Computermethode füllt fehlende Daten in komplexen Zeitreihen auf. Sie schaut sich an, wie sich das Muster einer Messung über die Zeit verändert, und gleicht diese Form mit der Form einer anderen Messung ab. Dadurch kann sie Lücken auffüllen, selbst wenn der Großteil der Daten fehlt. Sie funktionierte bei erfundenen Testsystemen und bei echten Daten wie Verkehr, Hirnsignalen, Wechselkursen und Windgeschwindigkeit.
Die Menge an fehlenden Daten, die die neue Methode noch wiederherstellen konnte, wenn eine Variable vollständig blieb.
Getestet an Simulationen und wenigen echten Datensätzen, nicht an allen Datentypen.
Integritätsprüfung: bestanden (3 Prüfungen) Geprüft am 22. September 2026. Rücknahme-Eintrag: keiner. DOI löst bei doi.org auf. Metadaten-Eintrag gefunden (Nature Communications). Zur Quelle
Diese Prüfung sieht sich Prozess-Signale an. Sie sagt nicht, dass die Ergebnisse stimmen.