論文の概要: A deep learning approach to the probabilistic numerical solution of
path-dependent partial differential equations
- arxiv url: http://arxiv.org/abs/2209.15010v1
- Date: Wed, 28 Sep 2022 14:34:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 15:14:00.782252
- Title: A deep learning approach to the probabilistic numerical solution of
path-dependent partial differential equations
- Title(参考訳): 経路依存偏微分方程式の確率的数値解への深層学習的アプローチ
- Authors: Jiang Yu Nguwi and Nicolas Privault
- Abstract要約: PPDEの解は確率的表現によって近似することができ、回帰を用いた条件予測の推定によって文献に実装されている。
我々は,この制限をディープラーニング手法を用いて克服し,条件付き期待値の近似に対する誤差境界の導出を可能にすることを示す。
他のディープラーニングアプローチと比較して、我々のアルゴリズムは、特に大きな次元において、より正確であるように見える。
- 参考スコア(独自算出の注目度): 1.09650651784511
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent work on Path-Dependent Partial Differential Equations (PPDEs) has
shown that PPDE solutions can be approximated by a probabilistic
representation, implemented in the literature by the estimation of conditional
expectations using regression. However, a limitation of this approach is to
require the selection of a basis in a function space. In this paper, we
overcome this limitation by the use of deep learning methods, and we show that
this setting allows for the derivation of error bounds on the approximation of
conditional expectations. Numerical examples based on a two-person zero-sum
game, as well as on Asian and barrier option pricing, are presented. In
comparison with other deep learning approaches, our algorithm appears to be
more accurate, especially in large dimensions.
- Abstract(参考訳): 経路依存部分微分方程式(PPDE)に関する最近の研究は、PPDE解を確率的表現によって近似できることを示した。
しかし、このアプローチの制限は、関数空間における基底の選択を必要とすることである。
本稿では,この制約を深層学習法を用いて克服し,条件付き期待値の近似に基づく誤差境界の導出を可能にすることを示す。
2人のゼロサムゲームとアジアとバリアオプションの価格設定に基づく数値例を示す。
他のディープラーニング手法と比較して、我々のアルゴリズムは特に大きな次元においてより正確であるように見える。
関連論文リスト
- Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳(メタデータ) (2024-08-20T19:06:02Z) - Constrained or Unconstrained? Neural-Network-Based Equation Discovery from Data [0.0]
我々はPDEをニューラルネットワークとして表現し、物理情報ニューラルネットワーク(PINN)に似た中間状態表現を用いる。
本稿では,この制約付き最適化問題を解くために,ペナルティ法と広く利用されている信頼領域障壁法を提案する。
バーガーズ方程式とコルトヴェーグ・ド・ヴライス方程式に関する我々の結果は、後者の制約付き手法がペナルティ法より優れていることを示している。
論文 参考訳(メタデータ) (2024-05-30T01:55:44Z) - 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) - Error Bounds for Flow Matching Methods [38.9898500163582]
フローマッチング法は、2つの任意の確率分布間のフローを近似する。
近似誤差に$L2$の値とデータ分布に一定の規則性を仮定し, 完全に決定論的サンプリングを用いたフローマッチング手順の誤差境界を提案する。
論文 参考訳(メタデータ) (2023-05-26T12:13:53Z) - VI-DGP: A variational inference method with deep generative prior for
solving high-dimensional inverse problems [0.7734726150561089]
本研究では,高次元後方分布を推定するための新しい近似法を提案する。
このアプローチは、深層生成モデルを利用して、空間的に変化するパラメータを生成することができる事前モデルを学ぶ。
提案手法は自動微分方式で完全に実装できる。
論文 参考訳(メタデータ) (2023-02-22T06:48:10Z) - Double logistic regression approach to biased positive-unlabeled data [3.6594988197536344]
後続確率と確率スコア関数の結合推定問題に対するパラメトリックなアプローチを考察する。
そこで本研究では, 交互表現に基づく最大解法と2番目の解法という, 2つの推定手法を提案する。
実験の結果,提案手法は期待最大化方式に基づく既存手法と同等か優れていることがわかった。
論文 参考訳(メタデータ) (2022-09-16T08:32:53Z) - Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
ガウスのプロセスはデータセットのサイズとともに違法にスケールする。
多くの近似法が開発されており、必然的に近似誤差を導入している。
この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。
本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
論文 参考訳(メタデータ) (2022-05-30T22:16:25Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳(メタデータ) (2021-06-03T12:59:16Z) - Optimal oracle inequalities for solving projected fixed-point equations [53.31620399640334]
ヒルベルト空間の既知の低次元部分空間を探索することにより、確率観測の集合を用いて近似解を計算する手法を検討する。
本稿では,線形関数近似を用いた政策評価問題に対する時間差分学習手法の誤差を正確に評価する方法について述べる。
論文 参考訳(メタデータ) (2020-12-09T20:19:32Z) - A maximum-entropy approach to off-policy evaluation in average-reward
MDPs [54.967872716145656]
この研究は、無限水平非カウントマルコフ決定過程(MDPs)における関数近似を伴うオフ・ポリティ・アセスメント(OPE)に焦点を当てる。
提案手法は,第1の有限サンプル OPE 誤差境界であり,既存の結果がエピソードおよびディスカウントケースを超えて拡張される。
この結果から,教師あり学習における最大エントロピー的アプローチを並列化して,十分な統計値を持つ指数関数型家族分布が得られた。
論文 参考訳(メタデータ) (2020-06-17T18:13:37Z) - Model Reduction and Neural Networks for Parametric PDEs [9.405458160620533]
無限次元空間間の入出力マップをデータ駆動で近似するフレームワークを開発した。
提案されたアプローチは、最近のニューラルネットワークとディープラーニングの成功に動機づけられている。
入力出力マップのクラスと、入力に対する適切な選択された確率測度について、提案手法の収束性を証明する。
論文 参考訳(メタデータ) (2020-05-07T00:09:27Z)
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。