論文の概要: Solution of the Probabilistic Lambert Problem: Connections with Optimal
Mass Transport, Schr\"odinger Bridge and Reaction-Diffusion PDEs
- arxiv url: http://arxiv.org/abs/2401.07961v1
- Date: Mon, 15 Jan 2024 20:57:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 15:47:38.048835
- Title: Solution of the Probabilistic Lambert Problem: Connections with Optimal
Mass Transport, Schr\"odinger Bridge and Reaction-Diffusion PDEs
- Title(参考訳): 確率的ランベルト問題の解法:最適物質輸送,Schr\\odinger Bridgeおよび反応拡散PDEとの接続
- Authors: Alexis M.H. Teter, Iman Nodozi, Abhishek Halder
- Abstract要約: 終端結合確率密度を持つランベルト問題は、最適一般化質量輸送制約問題であることを示す。
我々は,加法的動的プロセスノイズを用いた確率ランベルト問題を数値的に解く。
反応拡散PDEの境界結合系を解いた結果の解析結果について説明する。
- 参考スコア(独自算出の注目度): 0.4972323953932129
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lambert's problem concerns with transferring a spacecraft from a given
initial to a given terminal position within prescribed flight time via velocity
control subject to a gravitational force field. We consider a probabilistic
variant of the Lambert problem where the knowledge of the endpoint constraints
in position vectors are replaced by the knowledge of their respective joint
probability density functions. We show that the Lambert problem with endpoint
joint probability density constraints is a generalized optimal mass transport
(OMT) problem, thereby connecting this classical astrodynamics problem with a
burgeoning area of research in modern stochastic control and stochastic machine
learning. This newfound connection allows us to rigorously establish the
existence and uniqueness of solution for the probabilistic Lambert problem. The
same connection also helps to numerically solve the probabilistic Lambert
problem via diffusion regularization, i.e., by leveraging further connection of
the OMT with the Schr\"odinger bridge problem (SBP). This also shows that the
probabilistic Lambert problem with additive dynamic process noise is in fact a
generalized SBP, and can be solved numerically using the so-called
Schr\"odinger factors, as we do in this work. We explain how the resulting
analysis leads to solving a boundary-coupled system of reaction-diffusion PDEs
where the nonlinear gravitational potential appears as the reaction rate. We
propose novel algorithms for the same, and present illustrative numerical
results. Our analysis and the algorithmic framework are nonparametric, i.e., we
make neither statistical (e.g., Gaussian, first few moments, mixture or
exponential family, finite dimensionality of the sufficient statistic) nor
dynamical (e.g., Taylor series) approximations.
- Abstract(参考訳): ランバートの問題は、重力場を受ける速度制御を介して所定の飛行時間内に、与えられた初期から所定の終端位置に宇宙船を移動させることである。
我々は、位置ベクトルにおけるエンドポイント制約の知識がそれぞれの確率密度関数の知識に置き換えられるランベルト問題の確率的変種を考える。
終端結合確率密度制約を伴うランベルト問題は、一般化された最適質量輸送(OMT)問題であり、この古典的な天体力学問題を、現代の確率制御と確率機械学習の進歩的な研究領域と結びつけていることを示す。
この新たな接続により、確率ランベルト問題に対する解の存在と一意性を厳格に確立することができる。
同じ接続は拡散正則化(英語版)により確率ランベルト問題を数値的に解くのにも役立ち、すなわち OMT と Schr\"odinger bridge problem (SBP) とのさらなる接続を利用する。
これはまた、加法的動的プロセスノイズを伴う確率ランベルト問題は、実際は一般化されたSBPであり、この研究で述べたように、いわゆる「シュル・オーディンガー因子」を用いて数値的に解くことができることを示している。
この結果から, 非線形重力ポテンシャルが反応速度として現れる反応拡散PDEの境界結合系の解法が導かれる。
本稿では,新しいアルゴリズムを提案するとともに,実測的な数値結果を示す。
解析とアルゴリズムの枠組みは非パラメトリック、すなわち統計的(ガウス的、最初の数モーメント、混合または指数的族、十分な統計量の有限次元性)も動的(テイラー級数など)も近似もしない。
関連論文リスト
- Randomized Physics-Informed Machine Learning for Uncertainty
Quantification in High-Dimensional Inverse Problems [49.1574468325115]
本研究では,高次元逆問題における不確実性定量化のための物理インフォームド機械学習手法を提案する。
我々は解析的に、そして、ハミルトン・モンテカルロとの比較を通して、rPICKLE はベイズ則によって与えられる真の後続に収束することを示す。
論文 参考訳(メタデータ) (2023-12-11T07:33:16Z) - Non-asymptotic convergence bounds for Sinkhorn iterates and their
gradients: a coupling approach [10.568851068989972]
本稿では,アルゴリズムの効率的な解法を実現するために,元のOT問題であるエントロピックOT問題の緩和に焦点をあてる。
この定式化はSchr"odinger Bridge問題としても知られ、特に最適制御(SOC)と結びつき、人気のあるシンクホーンアルゴリズムで解くことができる。
論文 参考訳(メタデータ) (2023-04-13T13:58:25Z) - Trajectory Inference via Mean-field Langevin in Path Space [0.17205106391379024]
軌道推論は、時間的限界のスナップショットから集団のダイナミクスを回復することを目的としている。
経路空間におけるウィナー測度に対するミンエントロピー推定器は、Lavenantらによって導入された。
論文 参考訳(メタデータ) (2022-05-14T23:13:00Z) - On constant-time quantum annealing and guaranteed approximations for
graph optimization problems [0.0]
量子アニーリング(Quantum Annealing, QA)は、量子系の連続的な進化が目的関数の最小値を見つけるために用いられる計算フレームワークである。
本稿では、理論物理学、リーブ・ロビンソン境界(LR)から借用した手法を用いて、短時間の量子アニールにより定数係数の近似比が保証されることを示す新しいツールを開発する。
我々の結果は、異なるが関連するQAOA(量子最適化アルゴリズム)フレームワークで得られたよく知られたものと類似している。
論文 参考訳(メタデータ) (2022-02-03T15:23:18Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳(メタデータ) (2022-01-21T02:46:57Z) - Nonconvex Stochastic Scaled-Gradient Descent and Generalized Eigenvector
Problems [98.34292831923335]
オンライン相関解析の問題から,emphStochastic Scaled-Gradient Descent (SSD)アルゴリズムを提案する。
我々はこれらのアイデアをオンライン相関解析に適用し、局所収束率を正規性に比例した最適な1時間スケールのアルゴリズムを初めて導いた。
論文 参考訳(メタデータ) (2021-12-29T18:46:52Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳(メタデータ) (2021-10-12T02:21:30Z) - Semi-Discrete Optimal Transport: Hardness, Regularization and Numerical
Solution [8.465228064780748]
2つの点でサポートされる離散確率測度の間のWasserstein距離の計算が既に#P-hardであることを証明します。
目的関数が最も悪質な外乱分布で滑らかになる分布的に頑健な双対最適輸送問題を導入する。
双対目的関数の平滑化は主目的関数の正則化と等価であることを示す。
論文 参考訳(メタデータ) (2021-03-10T18:53:59Z) - Hardness of Random Optimization Problems for Boolean Circuits,
Low-Degree Polynomials, and Langevin Dynamics [78.46689176407936]
アルゴリズムの族は高い確率でほぼ最適な解を生成できないことを示す。
ブール回路の場合、回路複雑性理論で知られている最先端境界を改善する。
論文 参考訳(メタデータ) (2020-04-25T05:45:59Z) - Synchronizing Probability Measures on Rotations via Optimal Transport [26.110033098056334]
測定値の不確実性とグラフを同期する新しいパラダイムであるtextitmeasuresynchronous$ を導入する。
特に、マニス上のグラフ上で絶対回転の絶対方向を推定することを目指す。
論文 参考訳(メタデータ) (2020-04-01T18:44:18Z) - Estimating the entropy of shallow circuit outputs is hard [77.34726150561087]
シャノンエントロピー推定の意思決定問題バージョンはエントロピー差分(ED)である
量子回路(QED)の類似の問題
オラクルと比較して、これらの問題は指数関数的に大きい回路と同等に難しいものではないことを示す。
論文 参考訳(メタデータ) (2020-02-27T15:32:08Z)
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。