論文の概要: Sparse Weak-Form Discovery of Stochastic Generators
- arxiv url: http://arxiv.org/abs/2603.20904v2
- Date: Tue, 24 Mar 2026 16:03:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-25 15:07:29.99054
- Title: Sparse Weak-Form Discovery of Stochastic Generators
- Title（参考訳）: 確率発生器のスパース弱形状発見
- Authors: Eshwar R A, Gajanan V. Honnavar,
- Abstract要約: 提案フレームワークは,SDE識別問題を2つのSINDyベース線形スパース識別問題に変換する。
このアルゴリズムは,4%未満の係数誤差,0.01未満の定常全変分距離,および3つのベンチマークの真の緩和を忠実に再現する自己相関関数を含む,全ての非線形項を復元する3つのSDEの時間尺度で検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proposed algorithm seeks to provide a novel data-driven framework for the discovery of stochastic differential equations (SDEs) by application of the Weak-formulation to stochastic SINDy. This Weak formulation of the algorithm provides a noise-robust methodology that avoids traditional noisy derivative computation using finite differences. An additional novelty is the adoption of spatial Gaussian test functions in place of temporal test functions, wherein, the use of the kernel weight $K_j(X_{t_n})$ guarantees unbiasedness in expectation and prevents the structural regression bias that is otherwise pertinent temporal test functions. The proposed framework converts the SDE identification problem into two SINDy based linear sparse identification problems. We validate the algorithm on three SDEs, for which we recover all active non-linear terms with coefficient errors below 4\%, stationary-density total-variation distances below 0.01, and autocorrelation functions that reproduce true relaxation timescales across all three benchmarks faithfully.
- Abstract（参考訳）: 提案アルゴリズムは,確率微分方程式(SDE)をWak-formulationを確率SINDyに適用することにより,新しいデータ駆動型フレームワークを提供することを目的とする。
このアルゴリズムの弱式化は、有限差分を用いた従来の雑音微分計算を避けるノイズローバスト手法を提供する。
さらに新しいことに、時相テスト関数の代わりに空間ガウステスト関数が採用され、カーネルウェイトが$K_j(X_{t_n})$であることは期待の偏りを保証し、それ以外は関連する時相テスト関数である構造的回帰バイアスを防ぐ。
提案フレームワークは,SDE識別問題を2つのSINDyベース線形スパース識別問題に変換する。
このアルゴリズムを3つのSDE上で検証し, 係数誤差が4\%未満, 定常密度全変量距離が0.01未満, 真の緩和時間スケールを忠実に再現する自己相関関数について検証した。
関連論文リスト
- Discrete Double-Bracket Flows for Isotropic-Noise Invariant Eigendecomposition [7.186083931122418]
本研究では,行列ベクトル積 (MVP) のオラクルによる行列フリー固有分解について検討した。
標準的な近似法では、安定性を$|C_k|$に結合する固定ステップを使用するか、あるいは更新の消滅によって遅くなる適応ステップを使用する。
対角化目標と入力-状態安定性解析のための厳密なサドルと、トレースフリーな摂動の下での複雑さのスケーリングを$O(|C_e|2 / (2))$とすることで、グローバル収束を確立する。
論文 参考訳（メタデータ） (2026-02-14T13:09:29Z) - Stabilizing Fixed-Point Iteration for Markov Chain Poisson Equations [49.702772230127465]
有限状態マルコフ鎖を$n$状態と遷移行列$P$で研究する。
すべての非退化モードが実周辺不変部分空間 $mathcalK(P)$ によってキャプチャされ、商空間 $mathbbRn/mathcalK(P) 上の誘導作用素が厳密に収縮し、ユニークな商解が得られることを示す。
論文 参考訳（メタデータ） (2026-01-31T02:57:01Z) - Detecting Stochasticity in Discrete Signals via Nonparametric Excursion Theorem [0.15469452301122175]
本研究では,1つの離散時系列のみを用いて,拡散過程と決定論的信号とを区別する枠組みを開発する。
我々のアプローチは、連続半行列に対する古典的な探索と交差定理に基づいている。
本稿では,正準系,周期的・カオス的な地図,付加的な白色雑音を伴うシステムについて紹介する。
論文 参考訳（メタデータ） (2026-01-09T18:47:57Z) - Fast Convergence for High-Order ODE Solvers in Diffusion Probabilistic Models [5.939858158928473]
拡散確率モデルは、データをノイズに変換するノイズ注入プロセスの逆転を学ぶことでサンプルを生成する。
重要な展開は、決定論的確率フロー常微分方程式(ODE)としての逆サンプリング過程の再構成である。
本稿では、任意の分散スケジュールを持つ一般的な前処理のためのODEから導出される決定論的サンプルの厳密な収束解析について述べる。
論文 参考訳（メタデータ） (2025-06-16T03:09:25Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳（メタデータ） (2024-04-29T15:04:07Z) - Statistical Inference of Constrained Stochastic Optimization via Sketched Sequential Quadratic Programming [53.63469275932989]
制約付き非線形最適化問題のオンライン統計的推測を考察する。
これらの問題を解決するために、逐次二次計画法(StoSQP)を適用する。
論文 参考訳（メタデータ） (2022-05-27T00:34:03Z) - Optimal Robust Linear Regression in Nearly Linear Time [97.11565882347772]
学習者が生成モデル$Y = langle X,w* rangle + epsilon$から$n$のサンプルにアクセスできるような高次元頑健な線形回帰問題について検討する。
i) $X$ is L4-L2 hypercontractive, $mathbbE [XXtop]$ has bounded condition number and $epsilon$ has bounded variance, (ii) $X$ is sub-Gaussian with identity second moment and $epsilon$ is
論文 参考訳（メタデータ） (2020-07-16T06:44:44Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z)
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。