Stochastic Differential Equations
PulseAugur coverage of Stochastic Differential Equations — every cluster mentioning Stochastic Differential Equations across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究通过离散时间签名实现全局普适性
一篇新的arXiv论文介绍了一种使用离散时间签名在非预期和路径依赖泛函中实现全局普适性的方法。研究表明，这些签名的线性泛函可以近似各种高斯过程，包括布朗运动和赫斯特参数大于1/4的分数布朗运动。研究结果还为布朗运动驱动的随机和随机微分方程提供了近似结果。
-
两篇新论文探讨评分模型生成模型的理论基础
两篇新的 arXiv 论文从不同的理论角度探讨了评分模型生成模型。第一篇论文介绍了评分各向异性方向 (SADs)，用于分析网络架构对模型偏差的影响并预测泛化能力。第二篇论文开发了一个使用非标准分析的超有限框架，以统一生成模型中的离散网格动力学、逆时向扩散和评分匹配。
-
arXiv上发布了新的动态结构因果模型论文
Philip Boeken 在一篇新的 arXiv 论文中介绍了动态结构因果模型（DSCMs）。这些模型旨在表示依赖于时间的系统，包括具有循环时间和潜在混淆变量的系统。该研究概述了 DSCMs 如何应用于随机微分方程（SDEs）系统，为这类系统建立了图形马尔可夫性质。论文还详细介绍了分析局部独立性和对时间序列数据进行重采样的方法，并可能应用于识别时间依赖性干预的因果效应和改进因果发现算法。
-
新框架将因果图和Do演算与SDEs连接起来 · 跟踪2个来源
研究人员开发了一个在随机微分方程（SDEs）背景下理解因果图和Do演算的框架。这项工作为SDEs建立了sigma-分离马尔可夫性质和Do演算，为其中不存在有向路径表示无因果效应的图提供了因果解释。该框架还引入了时间分割系统来分析子采样时间序列和Granger非因果性，并讨论了PC、FCI、CCD和CCI等基于约束的因果发现算法在SDEs上的适用性。
-
为干预性SDE中的参数识别建立了新的界限
研究人员为在受到多次干预时随机微分方程（SDE）中参数的唯一恢复开发了新的理论界限。这项工作首次为从平稳分布恢复SDE参数提供了可证明的界限，在特定条件下为线性SDE提供了紧密的界限，为非线性SDE提供了上限。研究结果通过合成数据进行了实验验证，并应用于基因调控动力学的建模，展示了具有可学习激活函数的参数化的优势。
-
新数学论文探讨布朗运动签名下的通用逼近
一篇新论文提出了关于粗糙路径空间上泛函的 $L^p$ 通用逼近定理，证明了时间扩展粗糙路径签名上的线性泛函可以逼近任何 $p$-可积随机过程。这项工作扩展到高斯过程，包括分数布朗运动，并对随机微分方程解的逼近具有意义。该研究于 2025 年 12 月 18 日提交至 arXiv，并于 2026 年 7 月 6 日发布了修订版。
-
新方法提高了路径依赖可观测量SDE代理模型的准确性
本文介绍了一种用于学习随机微分方程（SDE）代理模型的新型变分损失函数。所提出的面向目标学习方法使用路径空间可观测量上的误差界，而标准损失函数通常无法提供这一点。该方法被证明可以提高预测首次命中时间等统计数据的准确性，并且对于数据分布的偏移表现出鲁棒性，特别是对于过阻尼Langevin系统。
-
论文探讨生成式机器学习中SDE的变分方法
一篇新论文从变分视角介绍了使用随机微分方程（SDE）进行生成式机器学习。该工作非正式地介绍了SDE及其在生成模型中的应用，重点关注描述概率分布演化的Fokker-Planck方程。它将扩散模型、分数匹配和流匹配框定为通用变分方法的特定参数化，并通过一维密度建模示例来说明概念。
-
微分方程启发新型深度神经网络架构
一篇新论文探讨了将微分方程与深度神经网络相结合，以增强AI的理论理解、可解释性和泛化能力。该研究回顾了受常微分方程和随机微分方程启发的架构和建模方法，并通过数值比较来说明其性能。作者认为，这种跨学科方法为开发更具洞察力和更鲁棒的计算智能提供了有前景的途径。
-
新的SSFM框架学习SDEs的强解映射
研究人员引入了强随机流映射（SSFMs），这是一个旨在学习加性噪声随机微分方程（SDEs）的强解映射的新框架。该方法将确定性流映射直接推广到随机领域，通过学习微分方程的解映射来实现少步采样。SSFMs在图像生成方面表现出优越的性能，并促进了分子系统的有效采样，优于现有的随机流映射方法。
-
新框架使用归一化流学习复杂多尺度动力学
研究人员开发了一个新的数据驱动框架，用于从复杂多尺度系统的有限观测数据中学习有效的随机动力学。该方法对耦合随机微分方程进行建模，并使用归一化流来表示未观测到的快速动力学的不变分布。该框架通过优化带惩罚的似然目标进行端到端训练，并包含用于不确定性量化的贝叶斯变分推断过程。