PulseAugur
中
实时 05:52:48
English(EN) Deep Learning for Dynamic Programming with Recursive Utility Using First-order Conditions

新的CEFOL算法使用深度学习解决复杂的动态规划问题

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为CEFOL（Certainty-Equivalent First-Order Learning）的新型深度学习算法，旨在解决具有递归效用的复杂离散时间动态规划问题。该算法引入了一个单独的神经网络来表示确定性等价，从而能够有效利用通常难以评估的贝尔曼方程和一阶最优性条件。CEFOL还通过构建特定模型的一阶条件残差来学习值函数、策略函数和拉格朗日乘数，使其能够处理一般的等式和不等式约束，而无需进行特定问题的重构。该算法已应用于各种经济模型，显示出高精度和与基准结果的紧密匹配。 AI

影响 这项新算法有望提高使用深度学习解决复杂经济和金融模型的效率和准确性。

排序理由 该集群包含一篇详细介绍动态规划新算法的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的CEFOL算法使用深度学习解决复杂的动态规划问题

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Xianhua Peng, Wu Guo, Songyan Wang, Jianfei Zhu ·

    基于一阶条件的递归效用动态规划的深度学习

    arXiv:2607.09461v1 Announce Type: cross Abstract: This paper proposes the certainty-equivalent first-order learning (CEFOL) algorithm, a deep learning algorithm for solving discrete-time dynamic programming problems with recursive utility. Dynamic programming with recursive utili…

  2. arXiv stat.ML TIER_1 English(EN) · Jianfei Zhu ·

    深度学习与递归效用结合一阶条件用于动态规划

    This paper proposes the certainty-equivalent first-order learning (CEFOL) algorithm, a deep learning algorithm for solving discrete-time dynamic programming problems with recursive utility. Dynamic programming with recursive utility is challenging because nonlinear certainty equi…

相关实体

相关话题