論文の概要: PDE-Based Bounds on Optimal Exponents in Active Simple Hypothesis Testing
- arxiv url: http://arxiv.org/abs/2610.36657v1
- Date: Tue, 27 Oct 2026 05:19:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.486697
- Title: PDE-Based Bounds on Optimal Exponents in Active Simple Hypothesis Testing
- Title（参考訳）: 能動単純仮説テストにおける最適指数のPDEに基づく境界
- Abstract要約: 能動簡易仮説テスト(ASHT)問題に対する最適誤差指数の上限値と下限値について概説する。
この研究は、ビジャヤン (2025) による最適指数の最近の偏微分方程式 (Partial Differential Equation, PDE) とハミルトン-ヤコビ PDE の粘性解の比較原理を組み合わせたものである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present general upper and lower bounds on the optimal error exponent for the Active Simple Hypothesis Testing (ASHT) problem. ASHT has been extensively studied across diverse fields including Information Theory, Bandits, and Operations Research, a precise characterization of this optimal exponent has remained elusive. This work combines a recent Partial Differential Equation (PDE) characterization of the optimal exponent by Vijayan (2025) with the comparison principle of viscosity solutions of Hamilton-Jacobi PDEs. This leads to bounds that are parametrized by convex functions, sets and lower Hamiltonian relaxations, a flexibility that generalizes many known results in the literature.
- Abstract（参考訳）: 能動簡易仮説テスト(ASHT)問題に対する最適誤差指数の上限値と下限値について概説する。
ASHTは情報理論、バンド、オペレーションズ・リサーチなど様々な分野に幅広く研究されてきたが、この最適指数の正確な特徴はいまだ解明されていない。
この研究は、ビジャヤン (2025) による最適指数の最近の偏微分方程式 (Partial Differential Equation, PDE) とハミルトン-ヤコビ PDE の粘性解の比較原理を組み合わせたものである。
これにより、凸函数、集合、ハミルトン緩和によってパラメータ化される境界が導かれるが、これは文献において多くの既知の結果を一般化する柔軟性である。
関連論文リスト
- Verifiable Error Bounds for Physics-Informed Neural Network Solutions of Lyapunov and Hamilton-Jacobi-Bellman Equations [7.496694070699515]
本稿では、リアプノフ方程式とHJB方程式の近似解に対する検証可能な誤差境界を開発する。
Lyapunov と HJB PDE の双方に対して、検証可能な残差境界が真の解に関して相対誤差境界をもたらすことを示す。
片側残差は、近似自体が有効なリャプノフを定義するか、リャプノフ函数を制御することを既に示していることを示す。
論文 参考訳（メタデータ） (2026-03-20T00:58:51Z) - Deep Hilbert--Galerkin Methods for Infinite-Dimensional PDEs and Optimal Control [2.421910312262742]
我々は,Hilbert-Galerkin Neural Operators (HGNOs) を用いたパラメータ化解を用いて,無限次元制御のためのHJB方程式のような分離可能なヒルベルト空間上の完全非線形二階PDEのディープラーニングに基づく近似法を開発した。
完全非線形作用素上のヘッセン項の新しい位相とそれに対応する新しい連続性仮定に基づいて、これらの問題に対処するのに十分強力な最初の普遍近似定理(UAT)を証明する。
論文 参考訳（メタデータ） (2026-03-19T20:53:20Z) - Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers [53.79279286773326]
我々は、多様なデータに基づいて訓練され、多様なPDEで条件付けされた新しいトランスフォーマーモデルUnisolverを提案する。
Unisolverは3つの挑戦的な大規模ベンチマークで一貫した最先端を実現し、優れたパフォーマンスと一般化性を示している。
論文 参考訳（メタデータ） (2024-05-27T15:34:35Z) - On the Identification and Optimization of Nonsmooth Superposition
Operators in Semilinear Elliptic PDEs [3.045851438458641]
原型半線形楕円偏微分方程式(PDE)の非線形部分におけるネミトスキー作用素の同定を目的とした無限次元最適化問題について検討する。
以前の研究とは対照的に、ネミトスキー作用素を誘導する関数が a-priori であることは、$H leakyloc(mathbbR)$ の要素であることが知られている。
論文 参考訳（メタデータ） (2023-06-08T13:33:20Z) - High-Probability Bounds for Stochastic Optimization and Variational
Inequalities: the Case of Unbounded Variance [59.211456992422136]
制約の少ない仮定の下で高確率収束結果のアルゴリズムを提案する。
これらの結果は、標準機能クラスに適合しない問題を最適化するために検討された手法の使用を正当化する。
論文 参考訳（メタデータ） (2023-02-02T10:37:23Z) - Learning differentiable solvers for systems with hard constraints [48.54197776363251]
ニューラルネットワーク(NN)によって定義される関数に対する偏微分方程式(PDE)制約を強制する実践的手法を提案する。
我々は、任意のNNアーキテクチャに組み込むことができる微分可能なPDE制約層を開発した。
その結果、NNアーキテクチャに直接ハード制約を組み込むことで、制約のない目的のトレーニングに比べてテストエラーがはるかに少ないことがわかった。
論文 参考訳（メタデータ） (2022-07-18T15:11:43Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳（メタデータ） (2021-11-01T09:17:15Z) - Projection Robust Wasserstein Distance and Riemannian Optimization [107.93250306339694]
プロジェクション・ソリッドスタイン(PRW)は、ワッサーシュタイン・プロジェクション(WPP)のロバストな変種であることを示す。
本稿では,PRW距離の計算への第一歩として,その理論と実データに関する実験の関連について述べる。
論文 参考訳（メタデータ） (2020-06-12T20:40:22Z) - Better Theory for SGD in the Nonconvex World [2.6397379133308214]
大規模な非最適化問題は、現代の機械学習ではユビキタスである。
我々は, 広範囲の合成ミニバッチサイズがグラディエントDescent (SG) 問題に与える影響について実験を行った。
論文 参考訳（メタデータ） (2020-02-09T09:56:06Z)
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。