研究人员开发了一种新颖的零阶深度学习方法，用于解决具有未知系数的高维偏微分方程（PDE），这是科学机器学习和连续时间强化学习中的常见挑战。这种新方法通过仅使用函数评估，绕过了高维中重复自动微分相关的instability和导数误差。该方法采用扰动的蒙特卡洛轨迹来估计导数，从而实现完全无模型的方法，为梯度和Hessian网络生成目标。统计分析证明了该方法的有效性，在加权Sobolev空间中提供了误差界限并表征了样本复杂度，数值实验显示在中高维度上具有竞争力。 AI
影响 引入了一种新颖的、无模型深度学习技术来求解具有挑战性的PDE，有望推动科学计算和强化学习应用。
排序理由 详细介绍一种解决复杂数学问题新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Continuous-Time Reinforcement Learning
- Scientific Machine Learning
- Zeroth-Order Deep Learning Method
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
