Fugu-MT 論文翻訳(概要): A new Input Convex Neural Network with application to options pricing

論文の概要: A new Input Convex Neural Network with application to options pricing

arxiv url: http://arxiv.org/abs/2411.12854v1
Date: Tue, 19 Nov 2024 20:50:42 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-21 16:13:17.316326
Title: A new Input Convex Neural Network with application to options pricing
Title（参考訳）: 新しい入力凸ニューラルネットワークとオプション価格への応用
Authors: Vincent Lemaire, Gilles Pagès, Christian Yeo,
Abstract要約: 入力の凸関数として設計されたニューラルネットワークの新たなクラスを導入する。これらのニューラルネットワークは、特に凸ペイオフでオプションの価格を近似するのに適しています。
参考スコア（独自算出の注目度）: 0.8602553195689513
License:
Abstract: We introduce a new class of neural networks designed to be convex functions of their inputs, leveraging the principle that any convex function can be represented as the supremum of the affine functions it dominates. These neural networks, inherently convex with respect to their inputs, are particularly well-suited for approximating the prices of options with convex payoffs. We detail the architecture of this, and establish theoretical convergence bounds that validate its approximation capabilities. We also introduce a \emph{scrambling} phase to improve the training of these networks. Finally, we demonstrate numerically the effectiveness of these networks in estimating prices for three types of options with convex payoffs: Basket, Bermudan, and Swing options.
Abstract（参考訳）: 入力の凸関数として設計された新しいタイプのニューラルネットワークを導入し、どの凸関数も支配するアフィン関数の上限として表現できるという原理を活用する。これらのニューラルネットワークは、本質的には入力に関して凸であり、特に凸ペイオフでオプションの価格を近似するのに適している。このアーキテクチャを詳述し、その近似能力を検証する理論収束境界を確立する。また,これらのネットワークのトレーニングを改善するために,emph{scrambling} フェーズも導入する。最後に,バスケット,ベルムダン,スウィングの3種類のペイオフオプションの価格を推定する上で,これらのネットワークの有効性を数値的に示す。

関連論文リスト

Tightening convex relaxations of trained neural networks: a unified approach for convex and S-shaped activations [0.0]
本研究では,アフィン関数を持つ活性化成分の密接な凸化を導出する公式を開発する。我々の手法は、分離された超平面を効率的に計算したり、様々な設定に存在しないと判断したりすることができる。
論文参考訳（メタデータ） (2024-10-30T18:09:53Z)
Universal Consistency of Wide and Deep ReLU Neural Networks and Minimax Optimal Convergence Rates for Kolmogorov-Donoho Optimal Function Classes [7.433327915285969]
我々は,ロジスティック損失に基づいて学習した広帯域および深部ReLUニューラルネットワーク分類器の普遍的整合性を証明する。また、ニューラルネットワークに基づく分類器が最小収束率を達成できる確率尺度のクラスに対して十分な条件を与える。
論文参考訳（メタデータ） (2024-01-08T23:54:46Z)
The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。本稿では,凸型神経回復モデルについて検討する。定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
論文参考訳（メタデータ） (2023-12-19T23:04:56Z)
A max-affine spline approximation of neural networks using the Legendre transform of a convex-concave representation [0.3007949058551534]
本研究では,ニューラルネットワークをスプライン表現に変換する新しいアルゴリズムを提案する。唯一の制約は、函数が有界で、よく定義された第二微分を持つことである。また、各レイヤ上で独立してではなく、ネットワーク全体にわたって実行することもできる。
論文参考訳（メタデータ） (2023-07-16T17:01:20Z)
Simple initialization and parametrization of sinusoidal networks via their kernel bandwidth [92.25666446274188]
従来の活性化機能を持つネットワークの代替として、活性化を伴う正弦波ニューラルネットワークが提案されている。まず,このような正弦波ニューラルネットワークの簡易版を提案する。次に、ニューラルタンジェントカーネルの観点からこれらのネットワークの挙動を分析し、そのカーネルが調整可能な帯域幅を持つ低域フィルタを近似することを実証する。
論文参考訳（メタデータ） (2022-11-26T07:41:48Z)
Lifted Bregman Training of Neural Networks [28.03724379169264]
本稿では,(潜在的に非滑らかな)近位写像を活性化関数として,フィードフォワードニューラルネットワークのトレーニングのための新しい数学的定式化を導入する。この定式化はBregmanに基づいており、ネットワークのパラメータに関する偏微分がネットワークのアクティベーション関数の微分の計算を必要としないという利点がある。ニューラルネットワークに基づく分類器のトレーニングや、スパースコーディングによる(デノーミング)オートエンコーダのトレーニングには、これらのトレーニングアプローチが等しく適しているか、さらに適していることを示す数値的な結果がいくつか提示される。
論文参考訳（メタデータ） (2022-08-18T11:12:52Z)
Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文参考訳（メタデータ） (2022-08-08T03:13:24Z)
Benefits of Overparameterized Convolutional Residual Networks: Function Approximation under Smoothness Constraint [48.25573695787407]
大規模なConvResNetは関数の値から目的関数を近似できるだけでなく、一階スムーズ性も十分に発揮できることを示す。我々の理論は、実際にディープ・ワイド・ネットワークを使うことの利点を部分的に正当化している。
論文参考訳（メタデータ） (2022-06-09T15:35:22Z)
Scalable Lipschitz Residual Networks with Convex Potential Flows [120.27516256281359]
残差ネットワーク勾配流における凸ポテンシャルを用いることで,1ドルのLipschitz変換が組み込まれていることを示す。 CIFAR-10の包括的な実験は、アーキテクチャのスケーラビリティと、証明可能な防御に$ell$のアプローチの利点を実証している。
論文参考訳（メタデータ） (2021-10-25T07:12:53Z)
The Hidden Convex Optimization Landscape of Two-Layer ReLU Neural Networks: an Exact Characterization of the Optimal Solutions [51.60996023961886]
コーン制約のある凸最適化プログラムを解くことにより,グローバルな2層ReLUニューラルネットワークの探索が可能であることを示す。我々の分析は新しく、全ての最適解を特徴づけ、最近、ニューラルネットワークのトレーニングを凸空間に持ち上げるために使われた双対性に基づく分析を活用できない。
論文参考訳（メタデータ） (2020-06-10T15:38:30Z)

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。