Fugu-MT 論文翻訳(概要): Deep Neural Network Algorithms for Parabolic PIDEs and Applications in Insurance Mathematics

論文の概要: Deep Neural Network Algorithms for Parabolic PIDEs and Applications in Insurance Mathematics

arxiv url: http://arxiv.org/abs/2109.11403v2
Date: Fri, 24 Sep 2021 10:16:20 GMT
ステータス: 処理完了
システム内更新日: 2021-09-27 11:01:33.507879
Title: Deep Neural Network Algorithms for Parabolic PIDEs and Applications in Insurance Mathematics
Title（参考訳）: パラボリックPIDEのためのディープニューラルネットワークアルゴリズムと保険数学への応用
Authors: R\"udiger Frey and Verena K\"ock
Abstract要約: 線形および半線形放物型部分積分微分方程式を高次元境界条件で解くためのディープニューラルネットワークアルゴリズムについて検討した。本研究の実施可能性を示すため,保険と金融のケーススタディについて論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In recent years a large literature on deep learning based methods for the numerical solution partial differential equations has emerged; results for integro-differential equations on the other hand are scarce. In this paper we study deep neural network algorithms for solving linear and semilinear parabolic partial integro-differential equations with boundary conditions in high dimension. To show the viability of our approach we discuss several case studies from insurance and finance.
Abstract（参考訳）: 近年,数値解偏微分方程式の深層学習法に関する研究が盛んに行われており,一方で積分微分方程式の結果は乏しい。本稿では,線形および半線形放物型部分積分微分方程式を高次元境界条件で解くディープニューラルネットワークアルゴリズムについて検討する。本研究の実施可能性を示すため,保険と金融のケーススタディについて論じる。

関連論文リスト

Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文参考訳（メタデータ） (2024-06-05T17:59:22Z)
Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文参考訳（メタデータ） (2023-10-08T23:39:38Z)
Deep NURBS -- Admissible Physics-informed Neural Networks [0.0]
偏微分方程式(PDE)の高精度かつ安価な解を可能にする物理インフォームドニューラルネットワーク(PINN)の新しい数値スキームを提案する。提案手法は、物理領域とディリクレ境界条件を定義するのに必要な許容的なNURBSパラメトリゼーションとPINNソルバを組み合わせたものである。
論文参考訳（メタデータ） (2022-10-25T10:35:45Z)
A deep branching solver for fully nonlinear partial differential equations [0.1474723404975345]
完全非線形PDEの数値解に対する分岐アルゴリズムの多次元深層学習実装を提案する。このアプローチは、任意の順序の勾配項を含む機能的非線形性に取り組むように設計されている。
論文参考訳（メタデータ） (2022-03-07T09:46:46Z)
Physics informed neural networks for continuum micromechanics [68.8204255655161]
近年,応用数学や工学における多種多様な問題に対して,物理情報ニューラルネットワークの適用が成功している。グローバルな近似のため、物理情報ニューラルネットワークは、最適化によって局所的な効果と強い非線形解を表示するのに困難である。実世界の$mu$CT-Scansから得られた不均一構造における非線形応力, 変位, エネルギー場を, 正確に解くことができる。
論文参考訳（メタデータ） (2021-10-14T14:05:19Z)
Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
論文参考訳（メタデータ） (2021-04-16T17:59:06Z)
Physics-informed neural networks for the shallow-water equations on the sphere [0.0]
物理誘導ニューラルネットワークは、所定の初期および境界データと共に微分方程式を満たすように訓練される。比較的長い時間間隔のテストケースに取り組むための単純なマルチモデルアプローチを提案する。
論文参考訳（メタデータ） (2021-04-01T16:47:40Z)
An overview on deep learning-based approximation methods for partial differential equations [2.4087148947930634]
これは高次元偏微分方程式(PDE)を近似的に解くための応用数学における最も難しい問題の1つである。この問題に対処するための深層学習に基づく近似アルゴリズムが提案され、高次元PDEの多くの例で数値的に検証されている。これは、深層学習に基づく手法とそれに関連するモンテカルロ法を高次元PDEの近似に適用する研究の活発な分野を生み出しました。
論文参考訳（メタデータ） (2020-12-22T20:48:20Z)
Solving non-linear Kolmogorov equations in large dimensions by using deep learning: a numerical comparison of discretization schemes [16.067228939231047]
非線形偏微分コルモゴロフ方程式は、幅広い時間依存現象を記述するのに有効である。深層学習は、これらの方程式を高次元で解くために導入された。本研究では, 観測された計算の複雑性に影響を与えることなく, 精度の向上が可能であることを示す。
論文参考訳（メタデータ） (2020-12-09T07:17:26Z)
Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
論文参考訳（メタデータ） (2020-06-16T21:56:22Z)
Neural Operator: Graph Kernel Network for Partial Differential Equations [57.90284928158383]
この作業はニューラルネットワークを一般化し、無限次元空間(演算子)間の写像を学習できるようにすることである。非線形活性化関数と積分作用素のクラスを構成することにより、無限次元写像の近似を定式化する。実験により,提案したグラフカーネルネットワークには所望の特性があり,最先端技術と比較した場合の競合性能を示すことが確認された。
論文参考訳（メタデータ） (2020-03-07T01:56:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。