Rough path theory and stochastic calculus
PulseAugur coverage of Rough path theory and stochastic calculus — every cluster mentioning Rough path theory and stochastic calculus across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究统一随机最优控制框架
一篇新发表在arXiv上的研究论文介绍了一个统一的随机最优控制框架，弥合了Itô微积分和Rough Path理论之间的差距。该研究展示了从这两种不同的数学框架推导出的最优性条件之间的联系，表明Itô Pontryagin最大值原理（PMP）是Rough PMP的条件期望。这种统一被应用于改进生成模型和开发一种新的反馈控制问题方法，为流行的随机控制方法提供了一个新颖的条件桥梁。
-
新框架利用路径签名和 T-Mamba 增强在线签名验证
研究人员开发了一种新的在线签名验证框架，该框架结合了增强路径签名 (APS) 描述符和 T-Mamba 模型。APS 描述符通过在进行时间和基点增强后计算滑动窗口路径签名来捕获几何结构和非线性交互。T-Mamba 模型是一种混合设计，结合了时间卷积网络块和时间扫描 Mamba，能够学习局部时间模式和全局长距离依赖关系。这种集成方法在基准数据集上展示了最先进的性能，尤其是在训练数据有限的情况下。
-
新的PSLR框架通过路径签名增强函数数据分类
研究人员推出了一种新颖的半参数框架——路径签名逻辑回归（PSLR），用于对向量值函数数据进行分类。该方法利用路径签名来表示数据，对不规则采样具有鲁棒性，并能捕捉跨通道依赖性。一项关键创新是其半参数加性结构，它为标量协变量保留了可解释的线性效应，并采用数据驱动的方法来自适应地选择签名截断阶数。实验表明，PSLR在准确性和可解释性方面优于传统的函数分类器和固定阶数签名基线。