stochastic process
PulseAugur coverage of stochastic process — every cluster mentioning stochastic process across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的IV框架解决了连续时间随机过程中的因果推断问题
研究人员开发了一种新颖的工具变量（IV）框架，旨在解决连续时间随机过程中的因果问题。这种新方法将传统上应用于静态或离散时间设置的IV技术扩展到处理由随机微分方程（SDEs）控制的系统中未观测到的混淆。该框架在无穷小层面上编码因果效应，并使用路径值工具变量推导出矩约束，简化了像Ornstein-Uhlenbeck这样的特定过程。该方法在恢复混淆连续时间系统中的因果效应方面取得了经验成功，而其他方法则显示出偏差。
-
新框架统一了强化学习和随机过程
一篇新论文引入了“驱动式过程”来统一随机过程和强化学习的视角。该框架应用于脉冲神经网络，证明了最小化策略驱动和奖励驱动分布之间的Kullback-Leibler散度等同于最大熵强化学习。该研究由Shaowei Lin撰写，于2025年10月30日提交至arXiv。
-
神经算子在逼近复杂数学半群方面展现出潜力
研究人员开发了一种使用神经算子逼近强连续凸单调半群的新方法。该研究介绍了Chernoff-神经算子，并证明了它们对Chernoff单步算子的通用逼近能力。通过利用稳定性估计，可以将这些单步算子的逼近误差传播到逼近相应的半群。此外，还为包络半群提出了包络-神经算子，实现了量化逼近率。这些方法在与非线性偏微分方程、随机最优控制以及模型不确定性下的随机过程相关的数值示例中显示出有效性。
-
新的StochasT方法增强了多轮场景下的LVLM训练
研究人员推出了一种新颖的大型视觉语言模型（LVLM）训练方法StochasT，该方法解决了多轮对话训练与单轮评估基准之间的差异。StochasT将同一图像的语言任务随机分组为不同大小的簇，增强了模型处理单轮和多轮场景的能力。这种方法旨在减轻训练过程中视觉注意力衰减和上下文过拟合等问题，最终实现更强大、更协调的LVLM能力。