Neues Netzwerk für Unsicherheitspropagation in neuronalen Differentialgleichungen

Die jüngste Veröffentlichung auf arXiv (2508.16815v1) stellt das Uncertainty Propagation Network (UPN) vor – ein innovatives Konzept, das Unsicherheitsquantifizierung direkt in kontinuierliche Zeitmodelle integriert. Im Gegensatz zu herkömmlichen neuronalen ODEs, die lediglich Zustandsverläufe vorhersagen, modelliert UPN gleichzeitig die Zustandsentwicklung und die zugehörige Unsicherheit, indem gekoppelte Differentialgleichungen für Mittelwert und Kovarianzparameterisiert werden.

Durch die effiziente Propagation von Unsicherheit über nichtlineare Dynamiken ohne Diskretisierungsartefakte löst das Netzwerk gekoppelte ODEs für Zustand und Kovarianz. Dabei ermöglicht es zustandsabhängiges, lernbares Prozessrauschen und passt die Auswertungsstrategie dynamisch an die Komplexität der Eingabe an. Diese kontinuierliche Tiefenformulierung liefert nicht nur robuste Unsicherheitsabschätzungen, sondern behandelt auch unregelmäßig abgetastete Beobachtungen nahtlos.

Experimentelle Ergebnisse belegen die Leistungsfähigkeit von UPN in verschiedenen Anwendungsbereichen: von kontinuierlichen Normalisierungströmen (CNFs) mit Unsicherheitsquantifizierung über Zeitreihenvorhersagen mit gut kalibrierten Konfidenzintervallen bis hin zu robusten Trajektorienvorhersagen in stabilen und chaotischen dynamischen Systemen. Das Netzwerk eröffnet damit neue Möglichkeiten für verlässliche Vorhersagen in komplexen, unsicheren Umgebungen.