論文の概要: Continuous Delayed-Memory Stochastic Gradient Descent and Continuous-Time Reinforcement Learning from History of Astrophysical Time Series Studies

• arxiv url: http://arxiv.org/abs/2609.20906v2
• Date: Tue, 22 Sep 2026 16:02:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.633049
• Title: Continuous Delayed-Memory Stochastic Gradient Descent and Continuous-Time Reinforcement Learning from History of Astrophysical Time Series Studies
• Title（参考訳）: 天体物理時系列研究の歴史から連続遅延記憶確率勾配勾配と連続時間強化学習
• Abstract要約: クエーサー(英: Quasars)は、超大質量ブラックホールに関する情報を符号化する明るさ変化を示す宇宙の天体である。 本稿では,この課題を克服するために,ニューラルネットワークのパラメータ化を用いた微分方程式の応用法について概説する。 本稿では,HJB PDEを解くことなく,探索政策の継続時間ポリシを備えた強化学習構造を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quasars are luminous objects in the universe that exhibit stochastic brightness variations encoding information about the supermassive black holes powering them, and modeling these variations from ground-based survey data time series, known as light curves, is a statistical challenge. This paper reviews how stochastic differential equations (SDEs) have been adapted with neural network parameterizations to overcome this challenge in history. We create the Continuous-Delayed-Memory Stochastic Gradient Descent which depend on the past state of the discrete iteration process. We performed the simulation on some 2-dimensional landscape and observed some wider-exploration and more precise convergent behavior compared to Vanilla SGD by adjusting hyperparameters. Besides, we proposed a reinforcement learning structure with continuous time policy gradients for exploratory policies without solving HJB PDE, and we show that its optimality conditions recover the Gibbs policy of previous works.
• Abstract（参考訳）: クエーサー(英: Quasars)は、超大質量ブラックホールに関する情報を符号化した確率的な明るさ変化を示す宇宙の天体であり、光度曲線として知られる地上調査データ時系列からこれらの変動をモデル化することは統計学上の課題である。 本稿では, 確率微分方程式 (SDE) がニューラルネットワークのパラメータ化にどのように適応し, 歴史におけるこの課題を克服しているかを概観する。 私たちは、離散的なイテレーションプロセスの過去の状態に依存する、連続-遅延-メモリ確率的なグラディエントDescentを作成します。 2次元の地形でシミュレーションを行い,バニラSGDと比較してより広い探索とより正確な収束挙動を観察した。 さらに,HJB PDEを解かずに探索政策を継続的に緩和する強化学習構造を提案し,その最適条件が先行研究のギブズ政策を回復させることを示した。

関連論文リスト

• Walking the Score Manifold: Continuous-time Generative Dynamics on Learned Data Manifolds [11.298157491300147]
  学習したデータ多様体上での連続時間進化として生成する。 我々は、スコアベースモデルを幾何学的先行として活用し、スコア誘導経路に沿ってデータを進化させるベクトル場を学習する。 以上の結果から,スコアに基づく先行学習が連続時間生成力学の学習に強力な基盤となることが示唆された。
  論文  参考訳（メタデータ） (2026-09-15T22:42:24Z)
• Variational Smoothing and Inference for SDEs from Sparse Data with Dynamic Neural Flows [2.9746075314244376]
  本研究では, 部分的に観測された系における後方微分方程式(SDE)の平滑化手法を開発した。 我々は、支配的PDEと観察誘発ジャンプ条件の両方を満たすために訓練されたニューラルネットワークを用いて、この条件スコアを学習する。 得られたスコアは、同じ拡散係数を持つ後部SDEを誘導するが、修正されたドリフトを誘導し、効率的な後部軌道を可能にする。
  論文  参考訳（メタデータ） (2026-05-07T02:47:06Z)
• Forecasting as Rendering: A 2D Gaussian Splatting Framework for Time Series Forecasting [79.37674445572462]
  時系列予測(TSF)は、周期内変動と周期間トレンドの複雑な絡み合いのため、依然として困難な問題である。 形状変化テンソルを静止画像として扱うと、トポロジカルミスマッチが発生する。 均一な固定サイズの表現に依存することは、モデリング能力を非効率に割り当てる。 TimeGSは、予測パラダイムをレグレッションから2D生成レンダリングに根本的にシフトする、新しいフレームワークである。
  論文  参考訳（メタデータ） (2026-02-10T14:13:36Z)
• A Nonparametric Discrete Hawkes Model with a Collapsed Gaussian-Process Prior [0.5352699766206809]
  ベースラインと励起の両方にガウス過程を優先する非パラメトリックフレームワークを提案する。 これにより、所定の傾向、周期性、または崩壊形を伴わないスムーズなデータ適応構造が得られる。 シミュレーションでは、GP-DHPは多様な励起形状を復元し、ベースラインを進化させる。
  論文  参考訳（メタデータ） (2025-09-26T07:23:57Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
  非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。 後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。 実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-02-26T04:39:01Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)
• The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations, and Anomalous Diffusion [29.489737359897312]
  勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。 これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
  論文  参考訳（メタデータ） (2021-07-19T20:18:57Z)

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。