Adjoint methods for computing sensitivities in local volatility surfaces
PulseAugur coverage of Adjoint methods for computing sensitivities in local volatility surfaces — every cluster mentioning Adjoint methods for computing sensitivities in local volatility surfaces across labs, papers, and developer communities, ranked by signal.
-
新的 arXiv 论文探讨神经网络计算与学习之间的断开
两篇新的 arXiv 论文探讨了神经计算的动力学，重点关注复杂的前向计算与更简单的学习机制之间的分歧。第一篇论文引入了一个“生成-事实图”来统一训练、学习和推理，并展示了一个使用 nanoGPT 和 ResNet 在保留运行中具有高准确率的预测模型。第二篇论文识别出一种“前向-后向断开”，指出虽然神经网络中的前向计算已高度多样化，但学习方法在很大程度上仍围绕反向传播及其变体。两篇论文都表明需要更好地协调这些方面，以实现更具生物学基础和…
-
新理论统一AI硬件的物理反向传播
研究人员开发了一种统一的物理反向传播理论，能够在物理计算系统中实现基于梯度的优化。该理论基于伴随方法，确定了硬件在何种条件下可以计算其自身性能的精确梯度。该框架涵盖了现有的方法，如平衡传播和哈密顿回声反向传播，并扩展到非厄米和时变系统，为物理学习算法提供了理论基础。
-
伴随法与PINNs：PDE逆问题性能比较
一篇新论文比较了伴随优化方法和物理信息神经网络（PINNs）在求解偏微分方程控制的逆问题中的应用。研究强调，方法的选择取决于未知量的表示方式，基于网格的场更适合伴随法，而神经网络表示则更适合PINNs。对于时变问题，PINNs能以较低的成本提供令人满意的重构，并且PINN预热启动的伴随策略可以更有效地达到伴随法级别的精度。