会员服务
Continuity · 后向 · 线性的 · 正则化项 · 模型评估 ·
2021 年 10 月 13 日
Convergence of a spatial semi-discretization for a backward semilinear stochastic parabolic equation
翻译：后后向半线性半线性对准抛物面方程空间半分分化的趋同
Binjie Li,Xiaoping Xie
Binjie Li,Xiaoping Xie

This paper studies the convergence of a spatial semi-discretization for a backward semilinear stochastic parabolic equation. The filtration is general, and the spatial semi-discretization uses the standard continuous piecewise linear element method. Firstly, higher regularity of the solution to the continuous equation is derived. Secondly, the first-order spatial accuracy is derived for the spatial semi-discretization. Thirdly, an application of the theoretical result to a stochastic linear quadratic control problem is presented.


翻译：本文研究后向半线性半线性孔径抛物线等式空间半分解的趋同。过滤是一般性的,空间半分解采用标准的连续片分解线性元素法。首先,得出了连续方程解决办法的更高规律性。第二,为空间半分解得出了第一级空间精确度。第三,介绍了理论结果的理论应用对随机线性线性二次控制问题的影响。
0
下载
关闭预览

相关内容

让 iOS 8 和 OS X Yosemite 无缝切换的一个新特性。 > Apple products have always been designed to work together beautifully. But now they may really surprise you. With iOS 8 and OS X Yosemite, you’ll be able to do more wonderful things than ever before.

Source: Apple - iOS 8
【报告】2021年中国生命科学与医疗行业并购市场白皮书
专知会员服务
16+阅读 · 2021年10月4日
ICLR2021 | 初探GNN的表示能力
专知会员服务
27+阅读 · 2021年5月2日
【Google】深度学习对抗鲁棒性，43页ppt
专知会员服务
44+阅读 · 2020年10月31日
【基于模型的强化学习的博弈论框架】A Game Theoretic Framework for Model Based Reinforcement Learning
【基于模型的强化学习的博弈论框架】A Game Theoretic Framework for Model Based Reinforcement Learning
专知会员服务
123+阅读 · 2020年4月19日
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
专知会员服务
92+阅读 · 2020年3月12日
论深度学习的信息瓶颈理论（On the information bottleneck theory of deep learning）
论深度学习的信息瓶颈理论（On the information bottleneck theory of deep learning）
专知会员服务
65+阅读 · 2019年12月20日
Risk Sensitive Portfolio Optimization with Regime-Switching and Default Contagion，香港理工大学应用数学系余翔助理教授，第八届全国社会媒体处理大会SMP2019
Risk Sensitive Portfolio Optimization with Regime-Switching and Default Contagion，香港理工大学应用数学系余翔助理教授，第八届全国社会媒体处理大会SMP2019
专知会员服务
8+阅读 · 2019年10月24日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
45+阅读 · 2019年10月17日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
31+阅读 · 2019年10月17日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
90+阅读 · 2019年10月10日
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
笔记 | Deep active learning for named entity recognition
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
24+阅读 · 2018年5月27日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
随波逐流：Similarity-Adaptive and Discrete Optimization
随波逐流：Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6日
【代码+论文】最全LSTM在量化交易中的应用汇总（第五期免费赠书活动来啦！）
【代码+论文】最全LSTM在量化交易中的应用汇总（第五期免费赠书活动来啦！）
量化投资与机器学习
7+阅读 · 2017年11月22日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
A discontinuous Galerkin time integration scheme for second order differential equations with applications to seismic wave propagation problems
Arxiv
0+阅读 · 2021年12月3日
Convergence of substructuring Methods for the Cahn-Hilliard Equation
Arxiv
0+阅读 · 2021年12月3日
A hybrid physics-informed neural network for nonlinear partial differential equation
Arxiv
0+阅读 · 2021年12月3日
The numerical solution of semidiscrete linear evolution problems on the finite interval using the Unified Transform Method
Arxiv
0+阅读 · 2021年12月2日
Overcoming Catastrophic Forgetting in Graph Neural Networks
Arxiv
14+阅读 · 2020年12月10日
Graph Information Bottleneck for Subgraph Recognition
Arxiv
8+阅读 · 2020年10月12日
Minimal Variance Sampling with Provable Guarantees for Fast Training of Graph Neural Networks
Minimal Variance Sampling with Provable Guarantees for Fast Training of Graph Neural Networks
Arxiv
13+阅读 · 2020年6月24日
L^2-GCN: Layer-Wise and Learned Efficient Training of Graph Convolutional Networks
L^2-GCN: Layer-Wise and Learned Efficient Training of Graph Convolutional Networks
Arxiv
15+阅读 · 2020年3月30日
Neural Ordinary Differential Equations
Arxiv
6+阅读 · 2018年10月3日
Large-Scale Stochastic Sampling from the Probability Simplex
Arxiv
3+阅读 · 2018年6月19日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
Continuity
后向
线性的
正则化项
模型评估
相关VIP内容
【报告】2021年中国生命科学与医疗行业并购市场白皮书
专知会员服务
16+阅读 · 2021年10月4日
ICLR2021 | 初探GNN的表示能力
专知会员服务
27+阅读 · 2021年5月2日
【Google】深度学习对抗鲁棒性，43页ppt
专知会员服务
44+阅读 · 2020年10月31日
【基于模型的强化学习的博弈论框架】A Game Theoretic Framework for Model Based Reinforcement Learning
【基于模型的强化学习的博弈论框架】A Game Theoretic Framework for Model Based Reinforcement Learning
专知会员服务
123+阅读 · 2020年4月19日
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
图像分类技巧集，17页ppt《Bag of Tricks for Image Classification》
专知会员服务
92+阅读 · 2020年3月12日
论深度学习的信息瓶颈理论（On the information bottleneck theory of deep learning）
论深度学习的信息瓶颈理论（On the information bottleneck theory of deep learning）
专知会员服务
65+阅读 · 2019年12月20日
Risk Sensitive Portfolio Optimization with Regime-Switching and Default Contagion，香港理工大学应用数学系余翔助理教授，第八届全国社会媒体处理大会SMP2019
Risk Sensitive Portfolio Optimization with Regime-Switching and Default Contagion，香港理工大学应用数学系余翔助理教授，第八届全国社会媒体处理大会SMP2019
专知会员服务
8+阅读 · 2019年10月24日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
45+阅读 · 2019年10月17日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
31+阅读 · 2019年10月17日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
90+阅读 · 2019年10月10日
热门VIP内容
相关资讯
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图机器学习 2.2-2.4 Properties of Networks, Random Graph
图与推荐
10+阅读 · 2020年3月28日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
23+阅读 · 2019年5月22日
笔记 | Deep active learning for named entity recognition
笔记 | Deep active learning for named entity recognition
黑龙江大学自然语言处理实验室
24+阅读 · 2018年5月27日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
随波逐流：Similarity-Adaptive and Discrete Optimization
随波逐流：Similarity-Adaptive and Discrete Optimization
我爱读PAMI
5+阅读 · 2018年2月6日
【代码+论文】最全LSTM在量化交易中的应用汇总（第五期免费赠书活动来啦！）
【代码+论文】最全LSTM在量化交易中的应用汇总（第五期免费赠书活动来啦！）
量化投资与机器学习
7+阅读 · 2017年11月22日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
相关论文
A discontinuous Galerkin time integration scheme for second order differential equations with applications to seismic wave propagation problems
Arxiv
0+阅读 · 2021年12月3日
Convergence of substructuring Methods for the Cahn-Hilliard Equation
Arxiv
0+阅读 · 2021年12月3日
A hybrid physics-informed neural network for nonlinear partial differential equation
Arxiv
0+阅读 · 2021年12月3日
The numerical solution of semidiscrete linear evolution problems on the finite interval using the Unified Transform Method
Arxiv
0+阅读 · 2021年12月2日
Overcoming Catastrophic Forgetting in Graph Neural Networks
Arxiv
14+阅读 · 2020年12月10日
Graph Information Bottleneck for Subgraph Recognition
Arxiv
8+阅读 · 2020年10月12日
Minimal Variance Sampling with Provable Guarantees for Fast Training of Graph Neural Networks
Minimal Variance Sampling with Provable Guarantees for Fast Training of Graph Neural Networks
Arxiv
13+阅读 · 2020年6月24日
L^2-GCN: Layer-Wise and Learned Efficient Training of Graph Convolutional Networks
L^2-GCN: Layer-Wise and Learned Efficient Training of Graph Convolutional Networks
Arxiv
15+阅读 · 2020年3月30日
Neural Ordinary Differential Equations
Arxiv
6+阅读 · 2018年10月3日
Large-Scale Stochastic Sampling from the Probability Simplex
Arxiv
3+阅读 · 2018年6月19日
Top
微信扫码咨询专知VIP会员
Top