[논문 리뷰] Robust SDE Parameter Estimation Under Missing Time Information Setting

Long Van Tran, Truyen Tran외 1명|arXiv (Cornell University)|2026. 01. 28.

Machine Learning in Healthcare인용 수 0

한 줄 요약

이 논문은 ReTrace를 도입합니다. 무순서 SDE 관찰에서 시간 순서를 복구하고 드리프트와 확산 매개변수를 공동 추정하는 점수 기반 프레임워크로, 누락된 시간 정보에도 불구하고 신뢰할 수 있는 매개변수 추정과 대안적 치료 효과를 가능하게 합니다.

ABSTRACT

Recent advances in stochastic differential equations (SDEs) have enabled robust modeling of real-world dynamical processes across diverse domains, such as finance, health, and systems biology. However, parameter estimation for SDEs typically relies on accurately timestamped observational sequences. When temporal ordering information is corrupted, missing, or deliberately hidden (e.g., for privacy), existing estimation methods often fail. In this paper, we investigate the conditions under which temporal order can be recovered and introduce a novel framework that simultaneously reconstructs temporal information and estimates SDE parameters. Our approach exploits asymmetries between forward and backward processes, deriving a score-matching criterion to infer the correct temporal order between pairs of observations. We then recover the total order via a sorting procedure and estimate SDE parameters from the reconstructed sequence using maximum likelihood. Finally, we conduct extensive experiments on synthetic and real-world datasets to demonstrate the effectiveness of our method, extending parameter estimation to settings with missing temporal order and broadening applicability in sensitive domains.

연구 동기 및 목표

• 프라이버시, 노이즈 또는 손상으로 인해 시간 순서가 누락된 상태에서 SDE 매개변수 추정을 위한 동기를 제시한다.
• 비가역적 선형 SDE의 무순서 관찰에서 시간 방향이 식별 가능한지 이론적으로 규명한다.
• 시간 순서를 복구하고 SDE 매개변수를 추정하기 위한 점수 기반 방법을 개발한다.
• 합성 및 실제 데이터셋에서 접근법의 강건성을 입증한다(처치 효과 시나리오를 포함).

제안 방법

• 가산 잡음과 알려지지 않은 순열을 가진 시간적으로 균질한 SDE의 무순서 관찰 문제를 형식화한다.
• 가역성(세부 균형) 하의 비식별성과 드리프트–점수 불일치를 통한 비가역적 역학에서의 식별 가능성을 도출한다.
• 매개변수 추정(MLE for A and H)과 점수 기반 데이터 재정렬을 교대로 수행하여 SDE 우도를 극대화하는 ReTrace 알고리즘을 제안한다.
• 증분을 드리프트와 확diff과 연결하고 A와 H에 대한 MLE 공식을 도출하기 위해 이산 Euler–Maruyama 프레임워크를 사용한다(식(12)–(16)).
• 인접 쌍에 대한 드리프트–점수 불일치를 계산하기 위해 로그밀도 기울기를 이용한 쌍별 점수 기준을 도입한다(식(9)–(11) 및 17).
• 수렴 보장을 갖는 반복적 재정렬 및 매개변수 학습을 위한 알고리즘 1(ReTrace)을 제공한다.

Figure 1: Our sorting procedure leverages drift-score discrepancy to reorder data. (a) Compare errors for each states pair in the Data Reordering stage. (b) Alternating between sorting data and estimating parameters.

실험 결과

연구 질문

• RQ1 비가역 SDE의 무순서 관찰에서 시간 순서를 식별할 수 있는가?
• RQ2 무순서 데이터로부터 시간 순서와 SDE 매개변수(A, H)를 어떻게 함께 복구하는가?
• RQ3 경험적 드리프트와 점수 보정 드리프트 간의 점수 기반 불일치가 올바른 시간 방향을 신뢰성 있게 식별하는가?
• RQ4 합성 및 실제 데이터에서 관찰 잡음과 누락된 시간 정보에 대해 제안된 방법의 강건성은 어느 정도인가?
• RQ5 회수된 순서와 SDE 매개변수로 정확한 반대사건 치료 효과 추정이 가능한가?

주요 결과

방법	정확도	MAE-A	MAE-H
ReTrace-MLE	99.1±2.6	0.05±0.03	0.10±0.07
ReTrace-OLS	93.6±12.8	3.9±3.5	5.0±9.7
ReTrace-EM	98.3±3.5	0.1±4.2	11.4±10.1
MST-MLE	22.1±15.1	3.1±3.9	8.5±10.5
DPT-MLE	4.8±7.0	5.0±4.2	11.4±11.6

• ReTrace는 비가역 SDE 데이터셋에서 높은 시간 순서 재구성 정확도와 매개변수 회복 정확도를 달성한다(기본 설정에서 순서 정확도 약 99%, MLE 기준; A의 MAE 약 0.05, H의 MAE 약 0.1).
• MST 및 DPT 기본 프로파일과 비교하여, ReTrace는 순서 정확도와 매개변수 추정 모두에서 현저히 우수하게 성능을 발휘한다(더 낮은 MAE).
• ReTrace 내의 MLE 및 EM 매개변수 학습은 가장 작은 드리프트 및 확산 오차를 보이며, 대부분의 경우 OLS보다 성능이 낫다.
• 관찰 잡음하에서 ReTrace는 잡음 수준 0.1–0.5 전반에 걸쳐 우수한 순서 정확도와 드리프트 MAE를 유지하며 기준선 대비 우수하다.
• 합성 종양 성장 궤적이 포함된 약리학 데이터로의 일반화가 가능하며, 반대사건 치료 효과 추정 및 LTE 분석이 가능하다.
• 알고리즘 1(ReTrace)은 많은 설정에서 1–2에폭 내에 수렴한다.

(a) Reordering Accuracy