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
- 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 [0.2064612766965483]
本稿では,完全結合前方微分方程式(FBSDEs,略してFBSDEs)によって駆動される高次元最適制御問題の,ディープラーニングによる数値解に着目した。
まず,この問題をStackelberg差分ゲーム(リーダ・フォロワー問題)に変換し,リーダーのコスト関数と追従者のコストがディープニューラルネットワークを介して最適化されるクロス最適化手法(COCO法)を開発する。
数値的な結果については,実用新案による投資消費問題の2つの例を計算し,両例が有効であることを示す。
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) - Physics-informed neural network simulation of multiphase poroelasticity
using stress-split sequential training [0.0]
本稿では、弾性ネットワークに基づく偏微分方程式(PDE)に支配される問題を解くための枠組みを提案する。
この手法は, ポロシ, バリ・シエの注入-生産問題, および2相排水問題の解法に収束する。
論文 参考訳(メタデータ) (2021-10-06T20:09:09Z) - 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) - Actor-Critic Algorithm for High-dimensional Partial Differential
Equations [1.5644600570264835]
我々は高次元非線形放物型偏微分方程式を解くためのディープラーニングモデルを開発した。
BSDEのマルコフ的特性は、ニューラルネットワークアーキテクチャの設計に利用されています。
PDEのいくつかのよく知られたクラスを解くことで、これらの改善を実証する。
論文 参考訳(メタデータ) (2020-10-07T20:53:24Z) - 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)
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。