PulseAugur
中
实时 09:38:35
English(EN) Operator Neural Jump ODEs: $L^2$-optimal prediction in function spaces

新的算子 NJ-ODE 解决无限维函数空间问题

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了算子神经跳跃常微分方程（NJ-ODE）来解决在无限维函数空间中预测连续时间随机过程的挑战。该新框架通过借鉴神经算子方法中的思想，扩展了先前仅限于有限维过程的 NJ-ODE 模型。算子 NJ-ODE 框架可以直接处理值函数问题，例如预测收益率曲线或波动率曲面，而无需进行离散化及其相关的损失信息。该论文还提出了一种新颖的近似策略，以证明这些 NJ-ODE 收敛到最优预测过程，这推广了有限维设置中的先前工作。 AI

影响 扩展了复杂、值函数随机过程的预测能力，可能影响金融和科学建模等领域。

排序理由 该集群包含一篇详细介绍函数空间预测新数学框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新的算子 NJ-ODE 解决无限维函数空间问题

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Florian Krach, Oliver L\"othgren, Josef Teichmann ·

    算子神经跳跃ODE：函数空间中的$L^2$-最优预测

    arXiv:2607.23110v1 Announce Type: new Abstract: In this paper, we study the extension of Neural Jump ODEs to infinite-dimensional function spaces. In particular, the underlying process $X$ now takes values in $L^2(\Xi, \mathbb{R}^{d_X})$ instead of $\mathbb{R}^{d_X}$ and the Oper…

相关实体

相关话题