PulseAugur
中
实时 08:53:38
English(EN) Convergence analysis of controlled particle systems arising in deep learning: from finite to infinite sample size

深度学习粒子系统在神经SDEs中的收敛性分析

作者 PulseAugur 编辑部 · [1 个来源] ·

本文分析了深度学习中出现的受控粒子系统，特别关注神经随机微分方程（SDEs）。研究人员考察了样本量增加时采样最优控制问题的极限行为，将N粒子系统与集中式控制联系起来。该研究通过应用随机最大值原理和分析反向随机Riccati方程，建立了统一于N的正则性结果，最终证明了在Borel概率测度的Wasserstein空间中目标泛函最小值和最优参数的收敛性。 AI

影响 为理解神经SDEs的行为及其在大规模深度学习模型中的收敛特性提供了理论基础。

排序理由 该条目是一篇在arXiv上发表的学术论文，详细介绍了深度学习中粒子系统的理论收敛性分析。[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 →

深度学习粒子系统在神经SDEs中的收敛性分析

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Huafu Liao, Alp\'ar R. M\'esz\'aros, Chenchen Mou, Chao Zhou ·

    深度学习中受控粒子系统的收敛性分析：从有限到无限样本量

    arXiv:2404.05185v4 Announce Type: replace-cross Abstract: This paper deals with a class of neural SDEs and studies the limiting behavior of the associated sampled optimal control problems as the sample size grows to infinity. The neural SDEs with $N$ samples can be linked to the …

相关实体

相关话题