PulseAugur
中
实时 04:29:17
English(EN) Error estimates for tamed Euler and Randomized Euler schemes for SDEs with locally Lipschitz drift with applications to non-logconcave sampling and optimization

新的随机微分方程方案误差估计有助于非对数凹采样

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员为随机微分方程（SDEs）的数值方案开发了新的误差估计框架。这些框架为驯服的未调整 Langevin 算法（kTULA）和新的驯服随机中点方案（tRLMC）提供了有限时间、非渐近误差界限。该研究为从非对数凹分布采样提供了近乎最优的迭代复杂度，并为非凸优化问题提供了非渐近保证。 AI

影响 随机微分方程数值方案的进步可以提高从复杂分布采样的效率和准确性，可能影响人工智能模型的训练和优化。

排序理由 该集群包含一篇学术论文，详细介绍了随机微分方程数值方法的新理论贡献。

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 →

新的随机微分方程方案误差估计有助于非对数凹采样

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Iosif Lytras, Angelos Ntousis ·

    具有局部 Lipschitz 漂移的驯服欧拉法和随机欧拉法求解 SDE 的误差估计及其在非对数凹采样和优化中的应用

    arXiv:2605.24937v1 Announce Type: cross Abstract: In this paper, we study the numerical discretization of stochastic differential equations with locally Lipschitz, super-linearly growing drift, and the resulting implications for sampling from non-log-concave distributions satisfy…

  2. arXiv stat.ML TIER_1 English(EN) · Angelos Ntousis ·

    具有局部 Lipschitz 漂移的驯服欧拉法和随机欧拉法求解 SDE 的误差估计及其在非对数凹采样和优化中的应用

    In this paper, we study the numerical discretization of stochastic differential equations with locally Lipschitz, super-linearly growing drift, and the resulting implications for sampling from non-log-concave distributions satisfying a logarithmic Sobolev inequality. In this regi…

相关实体

相关话题