論文の概要: A Deep-Genetic Algorithm (Deep-GA) Approach for High-Dimensional
Nonlinear Parabolic Partial Differential Equations
- arxiv url: http://arxiv.org/abs/2311.11558v1
- Date: Mon, 20 Nov 2023 06:35:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-21 19:57:40.775812
- Title: A Deep-Genetic Algorithm (Deep-GA) Approach for High-Dimensional
Nonlinear Parabolic Partial Differential Equations
- Title(参考訳): 高次元非線形パラボラ部分微分方程式に対するディープジェネティックアルゴリズム(ディープGA)アプローチ
- Authors: Endah Rokhmati Merdika Putri, Muhammad Luthfi Shahab, Mohammad Iqbal,
Imam Mukhlash, Amirul Hakam, Lutfi Mardianto, Hadi Susanto
- Abstract要約: 本稿では,Deep-BSDE法の性能向上のために,ディープジェネティックアルゴリズム(deep-GA)と呼ばれる新しい手法を提案する。
初期推定選択に対する解の感度を認識し、遺伝的アルゴリズム(GA)を解法に組み込んで選択を最適化する。
提案手法は計算効率が大幅に向上し, 比較精度が向上することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new method, called a deep-genetic algorithm (deep-GA), to
accelerate the performance of the so-called deep-BSDE method, which is a deep
learning algorithm to solve high dimensional partial differential equations
through their corresponding backward stochastic differential equations (BSDEs).
Recognizing the sensitivity of the solver to the initial guess selection, we
embed a genetic algorithm (GA) into the solver to optimize the selection. We
aim to achieve faster convergence for the nonlinear PDEs on a broader interval
than deep-BSDE. Our proposed method is applied to two nonlinear parabolic PDEs,
i.e., the Black-Scholes (BS) equation with default risk and the
Hamilton-Jacobi-Bellman (HJB) equation. We compare the results of our method
with those of the deep-BSDE and show that our method provides comparable
accuracy with significantly improved computational efficiency.
- Abstract(参考訳): 本研究では,高次元偏微分方程式の解法であるdeep-bsde法(deep-bsde method)の性能を,それに対応する逆確率微分方程式(bsdes)を用いて高速化する,deep-genetic algorithm(deep-ga)と呼ばれる新しい手法を提案する。
初期推定選択に対する解の感度を認識し、遺伝的アルゴリズム(GA)を解法に組み込んで選択を最適化する。
我々は、ディープBSDEよりも広い間隔で非線形PDEの高速収束を実現することを目指している。
提案手法は、2つの非線形放物型PDE、すなわちデフォルトリスクを持つブラック・スコルズ(BS)方程式とハミルトン・ヤコビ・ベルマン(HJB)方程式に適用する。
提案手法と深部BSDEの結果を比較し,提案手法が計算効率を著しく向上させ,比較精度が向上したことを示す。
関連論文リスト
- Sparse Cholesky Factorization for Solving Nonlinear PDEs via Gaussian
Processes [3.750429354590631]
本稿では、高密度カーネル行列に対するスパースColesky分解アルゴリズムを提案する。
我々は, 幅広い非線形PDEのクラスに対して, アルゴリズムのニア線形空間/時間複雑性を数値的に説明する。
論文 参考訳(メタデータ) (2023-04-03T18:35:28Z) - Fast Computation of Optimal Transport via Entropy-Regularized
Extragradient Methods [98.85583323658366]
2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。
本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
論文 参考訳(メタデータ) (2023-01-30T15:46:39Z) - Deep learning numerical methods for high-dimensional fully nonlinear
PIDEs and coupled FBSDEs with jumps [26.28912742740653]
高次元放物型積分微分方程式(PIDE)を解くためのディープラーニングアルゴリズムを提案する。
ジャンプ拡散過程はブラウン運動と独立補償ポアソンランダム測度によって導出される。
この深層学習アルゴリズムの誤差推定を導出するために,マルコビアンの収束,オイラー時間離散化の誤差境界,および深層学習アルゴリズムのシミュレーション誤差について検討した。
論文 参考訳(メタデータ) (2023-01-30T13:55:42Z) - A Forward Propagation Algorithm for Online Optimization of Nonlinear
Stochastic Differential Equations [1.116812194101501]
非線形散逸SDEに対する前方伝播アルゴリズムの収束性について検討する。
偏微分方程式(PDE)の解に、最も急降下方向のアルゴリズムのゆらぎの期待時間積分の限界を証明した。
本研究の主な成果は,非線形散逸SDEに対する前方伝播アルゴリズムの収束定理である。
論文 参考訳(メタデータ) (2022-07-10T16:06:42Z) - SHINE: SHaring the INverse Estimate from the forward pass for bi-level
optimization and implicit models [15.541264326378366]
近年,深層ニューラルネットワークの深度を高める手法として暗黙の深度学習が登場している。
トレーニングは双レベル問題として実行され、その計算複雑性は巨大なヤコビ行列の反復反転によって部分的に駆動される。
本稿では,この計算ボトルネックに対処する新たな手法を提案する。
論文 参考訳(メタデータ) (2021-06-01T15:07:34Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳(メタデータ) (2020-10-15T18:09:48Z) - 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) - IDEAL: Inexact DEcentralized Accelerated Augmented Lagrangian Method [64.15649345392822]
本稿では,局所関数が滑らかで凸な分散最適化環境下での原始的手法設計のためのフレームワークを提案する。
提案手法は,加速ラグランジアン法により誘導されるサブプロブレム列を概ね解いたものである。
加速度勾配降下と組み合わせることで,収束速度が最適で,最近導出された下界と一致した新しい原始アルゴリズムが得られる。
論文 参考訳(メタデータ) (2020-06-11T18:49:06Z) - Effective Dimension Adaptive Sketching Methods for Faster Regularized
Least-Squares Optimization [56.05635751529922]
スケッチに基づくL2正規化最小二乗問題の解法を提案する。
我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
論文 参考訳(メタデータ) (2020-06-10T15:00:09Z) - Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。
我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。
得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文 参考訳(メタデータ) (2020-02-21T17:45:32Z) - Adaptivity of Stochastic Gradient Methods for Nonconvex Optimization [71.03797261151605]
適応性は現代最適化理論において重要であるが、研究されていない性質である。
提案アルゴリズムは,PL目標に対して既存のアルゴリズムよりも優れた性能を保ちながら,PL目標に対して最適な収束性を実現することを実証した。
論文 参考訳(メタデータ) (2020-02-13T05:42:27Z)
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。