論文の概要: Deep Graphic FBSDEs for Opinion Dynamics Stochastic Control
- arxiv url: http://arxiv.org/abs/2204.02506v1
- Date: Tue, 5 Apr 2022 22:07:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 14:48:52.148700
- Title: Deep Graphic FBSDEs for Opinion Dynamics Stochastic Control
- Title(参考訳): オピニオンダイナミクス確率制御のための深部グラフFBSDE
- Authors: Tianrong Chen, Ziyi Wang, Evangelos A. Theodorou
- Abstract要約: 本稿では,動的・コスト関数における平均場項結合を用いた意見力学の最適制御問題の解法として,スケーラブルなディープラーニング手法を提案する。
提案したフレームワークは,超大規模問題に対する将来の応用の可能性を開く。
- 参考スコア(独自算出の注目度): 27.38625075499457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a scalable deep learning approach to solve opinion
dynamics stochastic optimal control problems with mean field term coupling in
the dynamics and cost function. Our approach relies on the probabilistic
representation of the solution of the Hamilton-Jacobi-Bellman partial
differential equation. Grounded on the nonlinear version of the Feynman-Kac
lemma, the solutions of the Hamilton-Jacobi-Bellman partial differential
equation are linked to the solution of Forward-Backward Stochastic Differential
Equations. These equations can be solved numerically using a novel deep neural
network with architecture tailored to the problem in consideration. The
resulting algorithm is tested on a polarized opinion consensus experiment. The
large-scale (10K) agents experiment validates the scalability and
generalizability of our algorithm. The proposed framework opens up the
possibility for future applications on extremely large-scale problems.
- Abstract(参考訳): 本稿では,意見力学と確率論的最適制御問題と平均場項結合とを動的・コスト関数で解くためのスケーラブルな深層学習手法を提案する。
このアプローチはハミルトン・ヤコビ・ベルマン偏微分方程式の解の確率的表現に依存する。
ファインマン・カック補題の非線形バージョンに基づいて、ハミルトン・ヤコビ・ベルマン偏微分方程式の解は前方の確率微分方程式の解と関係している。
これらの方程式は、問題を考慮したアーキテクチャを備えた新しいディープニューラルネットワークを用いて数値的に解くことができる。
得られたアルゴリズムは偏極的意見コンセンサス実験で検証される。
大規模(10K)エージェント実験は,アルゴリズムのスケーラビリティと一般化性を検証する。
提案したフレームワークは,超大規模問題に対する将来の応用の可能性を開く。
関連論文リスト
- FBSJNN: A Theoretically Interpretable and Efficiently Deep Learning method for Solving Partial Integro-Differential Equations [0.0]
本稿では, 深層学習に基づく手法を用いて, 部分積分微分方程式(PIDE)のクラスを解くための新しい枠組みを提案する。
この手法はFBNN(Forward-Backward Jump Neural Network)と呼ばれ、理論的に解釈可能であり、数値的に有効である。
数値実験により,FBSJNN法は10~3ドル程度の相対誤差で数値解が得られることが示された。
論文 参考訳(メタデータ) (2024-12-15T01:37:48Z) - 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) - Solving partial differential equations with sampled neural networks [1.8590821261905535]
偏微分方程式(PDE)に対する解の近似は計算科学や工学において重要な問題である。
データに依存しない確率分布から、アンザッツネットワークの隠れた重みとバイアスをサンプリングすることで、両課題を進展させる方法について論じる。
論文 参考訳(メタデータ) (2024-05-31T14:24:39Z) - Neural Time-Reversed Generalized Riccati Equation [60.92253836775246]
ハミルトン方程式は、コストテートとして知られる補助変数を通して最適性の解釈を提供する。
本稿では,前向きに作業することを目的とした,新しいニューラルベースによる最適制御手法を提案する。
論文 参考訳(メタデータ) (2023-12-14T19:29:37Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳(メタデータ) (2023-06-10T08:25:16Z) - Random Grid Neural Processes for Parametric Partial Differential
Equations [5.244037702157957]
我々はPDEのための空間確率物理の新しいクラスと深部潜伏モデルについて紹介する。
パラメトリックPDEの前方および逆問題を解場のガウス過程モデルの構築につながる方法で解く。
物理情報モデルにノイズのあるデータを原則的に組み込むことで、データの入手可能な問題に対する予測を改善する方法を示す。
論文 参考訳(メタデータ) (2023-01-26T11:30:56Z) - A deep learning method for solving stochastic optimal control problems driven by fully-coupled FBSDEs [1.0703175070560689]
最初にこの問題をStackelberg微分ゲーム問題(リーダー-フォロワー問題)に変換する。
ユーティリティーモデルによる投資消費問題の2つの例を計算した。
その結果,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2022-04-12T13:31:19Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - A Variational Inference Approach to Inverse Problems with Gamma
Hyperpriors [60.489902135153415]
本稿では,ガンマハイパープライヤを用いた階層的逆問題に対する変分反復交替方式を提案する。
提案した変分推論手法は正確な再構成を行い、意味のある不確実な定量化を提供し、実装が容易である。
論文 参考訳(メタデータ) (2021-11-26T06:33:29Z) - A Probabilistic State Space Model for Joint Inference from Differential
Equations and Data [23.449725313605835]
ベイズフィルタを用いて解過程を直接句する常微分方程式 (odes) の解法の新しいクラスを示す。
その後、拡張カルマンフィルタの単一の線形複雑化パスにおいて、潜力とODE溶液のベイズ推定を近似することができるようになる。
本研究では,covid-19流行データに基づく非パラメトリックsirdモデルを訓練することにより,アルゴリズムの表現力と性能を示す。
論文 参考訳(メタデータ) (2021-03-18T10:36:09Z) - Meta-Solver for Neural Ordinary Differential Equations [77.8918415523446]
本研究では,ソルバ空間の変動がニューラルODEの性能を向上する方法について検討する。
解法パラメータ化の正しい選択は, 敵の攻撃に対するロバスト性の観点から, 神経odesモデルに大きな影響を与える可能性がある。
論文 参考訳(メタデータ) (2021-03-15T17:26:34Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。