将物理模型与偏差项分离，用正交高斯过程提升不完整物理系统建模的可解释性。

Orthogonal Discrepancy Kernels for Learning with Partial Physics

• 用正交高斯过程分离物理模型与未知偏差
• 在数据稀疏条件下仍能准确识别非线性系统
• 适合物理知识不全但需可解释性的建模场景

我们提出一种半参数化非线性系统辨识框架，将偏差函数与基于物理的组件解耦。正交高斯过程回归在稀疏参数选择（白箱）与偏差学习（黑箱）之间取得平衡，从而从不完整的物理信息中生成可解释的模型。该方法通过引入正交核函数，使物理模型与数据驱动部分互不干扰，有效提升了在物理先验缺失或不完整时的建模性能。实验表明，该框架在多个非线性动态系统上均优于传统混合模型，尤其在低样本量和部分物理先验条件下表现稳健，且输出模型具有良好的可解释性。关键在于利用核函数的正交性实现组件独立优化，避免了传统方法中的参数耦合问题。

原文摘要 · Abstract (English)

We introduce a semi-parametric framework for nonlinear system identification, which decouples discrepancy functions from physics-based components. Orthogonal Gaussian process regression balances sparse parameter selection (the white box) with discrepancy learning (the black box) to produce interpretable models from incomplete physics.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。