PulseAugur
中
实时 07:01:17
English(EN) Neural Kolmogorov Equations: Parallelizable Learning of Stochastic Dynamics under General Noise

新的神经柯尔莫哥洛夫方程可高效学习随机动力学

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了神经柯尔莫哥洛夫方程（NKEs），这是一种从数据中学习随机动力学的新颖方法。该方法通过关注概率密度而非单个轨迹的演化来重新构建神经随机微分方程（SDEs）。NKEs可以处理一般的 Lévy 型随机强迫，包括耦合噪声和跳跃过程，并通过拉格朗日伽辽金投影和算子分裂实现跨时间并行训练。在各种基准测试上的评估表明，NKEs能够以提高的训练效率准确地模拟确定性动力学和随机动力学。 AI

影响 引入了一种更高效、更灵活的方法来模拟复杂的、有噪声的系统，有可能在科学模拟和数据分析方面提升人工智能的能力。

排序理由 详细介绍一种学习随机动力学新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的神经柯尔莫哥洛夫方程可高效学习随机动力学

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Arthur Bizzi, Olga Fink ·

    神经柯尔莫哥洛夫方程：一般噪声下随机动力学的可并行学习

    arXiv:2607.19173v1 Announce Type: new Abstract: Neural stochastic differential equations (SDEs) have emerged as powerful tools for learning noisy or stochastic dynamics directly from data; however, existing approaches largely assume uncoupled and continuous noise, limiting their …

相关实体

相关话题