論文の概要: Amortizing the Calibration Triple: A Projection-Consistent Neural Operator for Local-Stochastic Volatility
- arxiv url: http://arxiv.org/abs/2608.01217v1
- Date: Sun, 02 Aug 2026 13:03:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.126094
- Title: Amortizing the Calibration Triple: A Projection-Consistent Neural Operator for Local-Stochastic Volatility
- Title（参考訳）: 校正トリプルの記憶:局所確率的ボラティリティのための投射持続型ニューラル演算子
- Abstract要約: 局所確率的ボラティリティ(LSV)は、バニラ限界とより豊かな笑顔のダイナミクスを組み合わせたものである。
我々は、キャリブレーションのための射影整合作用素三重項を学習する。
証人強化残差系に対しては,条件付き同定と経験的整合性を証明する。
- 参考スコア（独自算出の注目度）: 9.222991789197641
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Local-stochastic volatility (LSV) combines vanilla marginals with richer smile dynamics, but calibration requires a slow, noisy and sequential McKean--Vlasov fixed point. We learn a projection-consistent operator for the calibration triple. Given finite quotes and a stochastic-volatility (SV) backbone, it jointly returns an implied-volatility surface subject to static-arbitrage constraints, its Dupire local volatility, LSV leverage and the conditional moment required by the projection identity. Starting from option-price marginals, we derive a division-free Dupire residual in log-implied-variance coordinates and a quotient Fokker--Planck equation after Gyöngy projection. Deep Operator Network (DeepONet) and Fourier Neural Operator (FNO) implementations enforce quote fit, static-arbitrage, Dupire and projection constraints. For the witness-augmented residual system, we prove conditional identification and empirical consistency under LSV existence and inverse residual stability. In controlled synthetic tests, forward-start and cliquet errors differ from a particle method by 0.1 and 0.2 percentage points, while calibration latency falls from 98.5 to 0.6 ms. Compared with the tested baselines, local-volatility root-mean-square error (RMSE) falls by 36% and leverage RMSE by 7-16%. These results support amortizing the LSV fixed point: the expensive solve moves offline, while online calibration reduces to a single projection-consistent operator evaluation.
- Abstract（参考訳）: 局所確率的ボラティリティ(LSV)は、バニラ限界とよりリッチな笑顔のダイナミクスを組み合わせたものであるが、キャリブレーションには遅く、騒々しく、シーケンシャルなマッケイン-ヴラソフ固定点が必要である。
キャリブレーション三重項に対する射影整合作用素を学習する。
有限の引用と確率的ボラティリティ(SV)のバックボーンが与えられたとき、静的アービタージュ制約、デュピエール局所ボラティリティ(英語版)、LSVレバレッジ(英語版)、および射影単位によって要求される条件モーメントを同時に返す。
オプション価格の限界から始めると、ログ実装分散座標における分割自由デュピエール残差と、ギュンギー射影後の商フォッカー-プランク方程式を導出する。
Deep Operator Network (DeepONet) と Fourier Neural Operator (FNO) の実装では、引用の適合性、静的アービタージュ、Dupire、プロジェクションの制約が課されている。
証人強化残差系では, LSV存在下での条件同定と経験的整合性, 逆残差安定性を示す。
制御された合成試験では、前方開始誤差と傾斜誤差は粒子法と0.1ポイントと0.2ポイント異なるが、キャリブレーション遅延は98.5msから0.6msに減少し、試験ベースラインと比較すると、局所揮発性根平均二乗誤差(RMSE)は36%減少し、RMSEは7-16%低下する。
これらの結果はLSV固定点の補正をサポートし、高価な解はオフラインで動き、オンラインキャリブレーションは単一のプロジェクション一貫性演算子評価に還元される。
関連論文リスト
- Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。
本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。
我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。
スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
論文 参考訳（メタデータ） (2026-08-25T15:07:11Z) - Denoised Variance-Based Pruning with Optimal Brain Bias Compensation [45.88028371034407]
VBP(Variance-Based Pruning)は、ニューロンを活性化分散に基づいて選択することで有望なパラダイムを導入した。
Denoized Variance-based Pruning with Optimal Brain Bias Compensation (DVBP + OB$2$C)を紹介する。
最先端のトレーニングフリーのパフォーマンスを実現し、50%のプルーニングで、オリジナルのTop-1の精度の90%以上を維持できる。
論文 参考訳（メタデータ） (2026-08-18T11:23:49Z) - UQ-Loc: Uncertainty-Aware LiDAR Scene Coordinate Regression [0.0]
LiDARは点雲を直接3Dシーン座標にマッピングし、明示的なマップ検索なしで正確な6-DoFローカライゼーションを可能にする。
既存の手法は決定論的予測を生み出し、ロバスト性や下流の意思決定を改善するアレラトリックな不確実性を捨てる。
ボクセルあたり3x3の正定値共分散行列を予測する異方性ガウス共分散ヘッドでLightLocアーキテクチャを拡張したUQ-Locを提案する。
論文 参考訳（メタデータ） (2026-08-06T17:23:17Z) - Adaptive Finite-Budget Training for CVaR Risk-Aware Q-Learning [7.373349445059511]
リスク対応Q-ラーニング(RaQL)は、動的リスク目標に対するモデルフリーで2時間スケールの推定手段を提供する。
本稿では,CVaR(Conditional Value-at-Risk) RaQLの適応型トレーニングコントローラを提案し,これを日々のBitcoin取引タスクで評価する。
論文 参考訳（メタデータ） (2026-08-05T00:26:22Z) - Randomized neural operator for parametric PDEs with fast training and conformal uncertainty quantification [47.720075875232226]
我々は,PCAに基づく次元還元と固定ランダム特徴を組み合わせたニューラル演算子であるPCA-RaNNを紹介する。
演算子学習を固定回帰として再キャストし、遅延回帰を3桁まで削減する。
論文 参考訳（メタデータ） (2026-06-28T15:02:26Z) - Distribution-Aware Robust Bilevel Optimization: Quantile-Guided Huber Updates in Two-Timescale Stochastic Approximation [16.106678611834102]
双レベル最適化(BLO)は階層的な決定には基本的だが、重み付き雑音下での臨界不安定性に悩まされている。
既存の技術は通常、等級チェックに依存しており、情報的幾何学的信号と外れ値の区別に失敗する。
論文 参考訳（メタデータ） (2026-06-21T10:57:37Z) - When Do Autoregressive Sequence Models Forecast Physical Wavefields? A Controlled Study on Synthetic Seismograms [43.8784307709823]
物理信号の長距離自己回帰予測は誤差蓄積によって制限される。
物理的に構造化されたテストベッドとして,合成3成分地震計を用いて,このようなロールアウトが安定であるかどうかを問う。
論文 参考訳（メタデータ） (2026-06-09T13:46:14Z) - Learning to Solve Generative ODEs Beyond the Linear Span [50.13853710831612]
空間残留演算子を用いてスカラー係数更新を増強する軽量ニューラルソルバであるSpanLiftを提案する。
SpanLiftは、ピクセル空間の拡散、潜水流のマッチング、降水は今、最先端の数ステップのサンプリングを実現している。
論文 参考訳（メタデータ） (2026-06-07T15:22:13Z) - Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。
NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
論文 参考訳（メタデータ） (2026-05-21T16:45:31Z) - Linear-Core Surrogates: Smooth Loss Functions with Linear Rates for Classification and Structured Prediction [42.67092904252001]
線形コアを滑らかな尾に縫合することで,この緊張を解消する新しい凸損失関数群を提案する。
これらのサロゲートは、厳密な線型$H$一貫性境界を維持しながら、どこでも微分可能であることを証明している。
論文 参考訳（メタデータ） (2026-04-30T11:32:25Z) - Variational Neural Belief Parameterizations for Robust Dexterous Grasping under Multimodal Uncertainty [5.4872967954342675]
リスクに敏感なPOMDPは、スケールの低さ、勾配に基づく最適化、条件付き値-アット・リスクの推定といった粒子フィルタの信念を使用する。
代わりに、潜在接触パラメータとオブジェクトのポーズに対する変分推論として把握獲得を定式化し、微分可能なガウス混合による信念を表現する。
論文 参考訳（メタデータ） (2026-04-28T17:40:49Z) - Sharpness Aware Surrogate Training for Spiking Neural Networks [0.0]
サロゲート勾配はスパイキングニューラルネットワーク(SNN)を訓練するための標準ツールである
しかし、従来のハードフォワードまたはサロゲート後方トレーニングは、偏りのある推定器を備えた非滑らかなフォワードモデルである。
後方プロパゲーションにより訓練した前方SNNに対して,シャープネス・アウェア・サロゲート・トレーニング(SAST)を適用し,シャープネス・アウェア・サロゲート・トレーニング(SAM)を適用した。
論文 参考訳（メタデータ） (2026-03-14T01:26:26Z) - Designing Preconditioners for SGD: Local Conditioning, Noise Floors, and Basin Stability [38.75338802679837]
SGD(Gradient Descent)は、異方性曲率と勾配雑音により訓練後期に遅くなることが多い。
対称正行列$mathbfM$により誘導される幾何学におけるSGDを解析し、収束率とノイズフロアの両方が$mathbfM$依存量でバウンドされる境界を導出する。
診断と3つのSciMLベンチマークの実験は、予測フロアの挙動を検証する。
論文 参考訳（メタデータ） (2025-11-24T21:24:40Z) - Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。
本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。
我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
論文 参考訳（メタデータ） (2025-09-27T22:31:24Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z)
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。