Fugu-MT 論文翻訳(概要): Neural Networks for Tamed Milstein Approximation of SDEs with Additive Symmetric Jump Noise Driven by a Poisson Random Measure

論文の概要: Neural Networks for Tamed Milstein Approximation of SDEs with Additive Symmetric Jump Noise Driven by a Poisson Random Measure

arxiv url: http://arxiv.org/abs/2507.04417v1
Date: Sun, 06 Jul 2025 15:13:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-08 15:46:35.174071
Title: Neural Networks for Tamed Milstein Approximation of SDEs with Additive Symmetric Jump Noise Driven by a Poisson Random Measure
Title（参考訳）: ポアソンランダム測定による付加対称跳躍雑音を持つSDEのミルスタイン近似のためのニューラルネットワーク
Authors: Ramirez-Gonzalez Jose-Hermenegildo, Sun Ying,
Abstract要約: 本稿では,非パラメトリック関数近似器として使用されるニューラルネットワークに,Tamed-Milsteinスキームを統合したフレームワークを提案する。提案手法は、L'evyプロセスによって駆動される状態依存ノイズと不連続性を持つシステムにおける推論の柔軟な代替手段を構成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work aims to estimate the drift and diffusion functions in stochastic differential equations (SDEs) driven by a particular class of L\'evy processes with finite jump intensity, using neural networks. We propose a framework that integrates the Tamed-Milstein scheme with neural networks employed as non-parametric function approximators. Estimation is carried out in a non-parametric fashion for the drift function $ f: \mathbb{Z} \to \mathbb{R} $, the diffusion coefficient $ g: \mathbb{Z} \to \mathbb{R} $. The model of interest is given by \[ dX(t) = \xi + f(X(t))\, dt + g(X(t))\, dW_t + \gamma \int_{\mathbb{Z}} z\, N(dt,dz), \] where $ W_t $ is a standard Brownian motion, and $ N(dt,dz) $ is a Poisson random measure on $ (~\mathbb{R}_{+} ~\times ~\mathbb{Z}~, ~\mathcal{B}~(~\mathbb{R}_{+}~)~\otimes~\mathcal{Z}~,~ \lambda( \Lambda~\otimes~v~)~) $, with $ \lambda, \gamma > 0 $, $ \Lambda $ being the Lebesgue measure on $ \mathbb{R}_{+} $, and $ v $ a finite measure on the measurable space $ (\mathbb{Z}, \mathcal{Z}) $. Neural networks are used as non-parametric function approximators, enabling the modeling of complex nonlinear dynamics without assuming restrictive functional forms. The proposed methodology constitutes a flexible alternative for inference in systems with state-dependent noise and discontinuities driven by L\'evy processes.
Abstract（参考訳）: 本研究の目的は, ニューラルネットワークを用いて, 有限ジャンプ強度のL\'evy過程の特定のクラスによって駆動される確率微分方程式(SDE)のドリフトと拡散関数を推定することである。本稿では,非パラメトリック関数近似器として使用されるニューラルネットワークに,Tamed-Milsteinスキームを統合したフレームワークを提案する。ドリフト関数 $f: \mathbb{Z} \to \mathbb{R} $ の非パラメトリックな方法で、拡散係数 $g: \mathbb{Z} \to \mathbb{R} $ を推定する。 dX(t) = \xi + f(X(t))\, dt + g(X(t))\, dW_t + \gamma \int_{\mathbb{Z}} z\, N(dt,dz), \] ここで $W_t $ は標準ブラウン運動であり、 $N(dt,dz) $ は \((~\mathbb{R}_{+} ~\times ~\mathbb{Z}~, ~\mathcal{B}~(~\mathbb{R}_{+}~)~\otimes ~\mathcal{Z}~~(~\mathbb{R}_{+}~)~\lambda \mbda~\times ~\mathbb{Z}~~)~\lambda \lambda \mbda~\times ~\mathbb{Z}~~)~\lambda \lambda \mbda(~\times ~\mathbb{R}~~~~)~\lambda \lambda \lambda \lambda \end{Z} は有限測度である。ニューラルネットワークは非パラメトリック関数近似器として使われ、制約関数形式を仮定することなく複雑な非線形力学のモデリングを可能にする。提案手法は、L\'evyプロセスによって駆動される状態依存ノイズと不連続性を持つシステムにおける推論の柔軟な代替手段を構成する。

関連論文リスト

Learning quadratic neural networks in high dimensions: SGD dynamics and scaling laws [21.18373933718468]
高次元状態における二次活性化関数を持つ2層ニューラルネットワークの勾配に基づくトレーニングの最適化とサンプル複雑性について検討する。本稿では,特徴学習体制における動態の急激な解析を行い,人口制限と有限サンプルの離散化について述べる。
論文参考訳（メタデータ） (2025-08-05T17:57:56Z)
Revolutionizing Fractional Calculus with Neural Networks: Voronovskaya-Damasclin Theory for Next-Generation AI Systems [0.0]
この研究は、対称性と双曲型摂動関数によって活性化されるニューラルネットワーク演算子に対する厳密な収束率を導入する。古典近似理論をカプトー微分を通じて分数計算に拡張する。
論文参考訳（メタデータ） (2025-04-01T21:03:00Z)
$p$-Adic Polynomial Regression as Alternative to Neural Network for Approximating $p$-Adic Functions of Many Variables [55.2480439325792]
任意の精度で連続関数を近似できる回帰モデルを構築している。提案モデルは、ニューラルネットワークアーキテクチャに基づく$p$-adicモデルの簡単な代替と見なすことができる。
論文参考訳（メタデータ） (2025-03-30T15:42:08Z)
Learning sum of diverse features: computational hardness and efficient gradient-based training for ridge combinations [40.77319247558742]
目的関数 $f_*:mathbbRdtomathbbR$ を加法構造で学習する際の計算複雑性について検討する。 2層ニューラルネットワークの勾配学習により,$f_*$の大規模なサブセットを効率的に学習できることを実証した。
論文参考訳（メタデータ） (2024-06-17T17:59:17Z)
Neural network learns low-dimensional polynomials with SGD near the information-theoretic limit [75.4661041626338]
単一インデックス対象関数 $f_*(boldsymbolx) = textstylesigma_*left(langleboldsymbolx,boldsymbolthetarangleright)$ の勾配勾配勾配学習問題について検討する。 SGDに基づくアルゴリズムにより最適化された2層ニューラルネットワークは、情報指数に支配されない複雑さで$f_*$を学習する。
論文参考訳（メタデータ） (2024-06-03T17:56:58Z)
A Mean-Field Analysis of Neural Stochastic Gradient Descent-Ascent for Functional Minimax Optimization [90.87444114491116]
本稿では,超パラメトリック化された2層ニューラルネットワークの無限次元関数クラス上で定義される最小最適化問題について検討する。 i) 勾配降下指数アルゴリズムの収束と, (ii) ニューラルネットワークの表現学習に対処する。その結果、ニューラルネットワークによって誘導される特徴表現は、ワッサーシュタイン距離で測定された$O(alpha-1)$で初期表現から逸脱することが許された。
論文参考訳（メタデータ） (2024-04-18T16:46:08Z)
Statistical Spatially Inhomogeneous Diffusion Inference [15.167120574781153]
離散観測値から拡散方程式を推定することは統計的課題である。本稿では,ドリフト$boldsymbolb$と空間的不均一拡散テンソル$D = SigmaSigmaT$のニューラルネットワークによる推定手法を提案する。
論文参考訳（メタデータ） (2023-12-10T06:52:50Z)
A Unified Framework for Uniform Signal Recovery in Nonlinear Generative Compressed Sensing [68.80803866919123]
非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
論文参考訳（メタデータ） (2023-09-25T17:54:19Z)
Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文参考訳（メタデータ） (2023-07-11T16:51:38Z)
The Schr\"odinger equation for the Rosen-Morse type potential revisited with applications [0.0]
ローゼン・モース型ポテンシャルに対する時間に依存しないシュリンガー方程式を厳密に解く。この問題の解法は、$varphi2p+2$の型ポテンシャルを持つ非線形クライン=ゴルドン方程式のキンクが安定であることを示すために用いられる。
論文参考訳（メタデータ） (2023-04-12T18:43:39Z)
An Over-parameterized Exponential Regression [18.57735939471469]
LLM(Large Language Models)の分野での最近の発展は、指数的アクティベーション関数の使用への関心を喚起している。ニューラル関数 $F: mathbbRd times m times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRd times mathbbRdd
論文参考訳（メタデータ） (2023-03-29T07:29:07Z)
Learning a Single Neuron with Adversarial Label Noise via Gradient Descent [50.659479930171585]
モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
論文参考訳（メタデータ） (2022-06-17T17:55:43Z)
Markovian Repeated Interaction Quantum Systems [0.0]
我々は、ランダムな量子力学系から、ファインマン-カック型形式主義によって出現する力学半群のクラス $(mathbbLn)_ninmathbbN$ を研究する。物理応用として、$mathcalL_omega$'sが熱プローブと系の繰り返し相互作用を記述する還元力学写像である場合を考える。
論文参考訳（メタデータ） (2022-02-10T20:52:40Z)
Deep Learning in High Dimension: Neural Network Approximation of Analytic Functions in $L^2(\mathbb{R}^d,\gamma_d)$ [0.0]
解析関数 $f:mathbbRdtomathbbR$ の式率を $L2(mathbbRd,gamma_d)$ のノルムで証明する。特に、整数 $kgeq 2$ に対する ReLU と ReLU$k$ のアクティベーションを考える。対数ガウス確率場入力による楕円型PDEの応答面に対する深いReLU-NNの表現速度境界を証明した。
論文参考訳（メタデータ） (2021-11-13T09:54:32Z)
Random matrices in service of ML footprint: ternary random features with no performance loss [55.30329197651178]
我々は、$bf K$ の固有スペクトルが$bf w$ の i.d. 成分の分布とは独立であることを示す。 3次ランダム特徴(TRF)と呼ばれる新しいランダム手法を提案する。提案したランダムな特徴の計算には乗算が不要であり、古典的なランダムな特徴に比べてストレージに$b$のコストがかかる。
論文参考訳（メタデータ） (2021-10-05T09:33:49Z)
Learning stochastic dynamical systems with neural networks mimicking the Euler-Maruyama scheme [14.436723124352817]
本稿では,SDEのパラメータを組み込みのSDE統合方式でニューラルネットワークで表現するデータ駆動手法を提案する。このアルゴリズムは、幾何学的ブラウン運動とロレンツ-63モデルのバージョンに適用される。
論文参考訳（メタデータ） (2021-05-18T11:41:34Z)
Interpolating Log-Determinant and Trace of the Powers of Matrix $\mathbf{A} + t \mathbf{B}$ [1.5002438468152661]
関数 $t mapto log det left( mathbfA + t mathbfB right)$ and $t mapto nametraceleft (mathbfA + t mathbfB)p right)$ ここで行列 $mathbfA$ と $mathbfB$ はエルミート的で正(半)で、$p$ と $t$ は実変数である。
論文参考訳（メタデータ） (2020-09-15T23:11:17Z)
Agnostic Learning of a Single Neuron with Gradient Descent [92.7662890047311]
期待される正方形損失から、最も適合した単一ニューロンを学習することの問題点を考察する。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。 ReLUアクティベーションでは、我々の人口リスク保証は$O(mathsfOPT1/2)+epsilon$である。
論文参考訳（メタデータ） (2020-05-29T07:20:35Z)

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。