实体
Adjoint methods for computing sensitivities in local volatility surfaces
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.
总计 · 30天
2
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新论文强调神经网络动力学与学习方法之间的脱节
一篇新论文指出了神经网络架构中前向动力学多样化与其学习机制相对停滞之间的显著脱节。尽管模型已经发展到包含复杂的状态动力学、长上下文和连续时间，但训练方法在很大程度上仍然围绕反向传播及其变体。作者提出了一个分类法来分析跨各种神经模型家族的这种差距，强调需要更好地协调状态动力学、信用分配和计算基底，以推进神经计算。
-
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。