The paper introduces a very simple and fast computation method for high-dimensional integrals to solve high-dimensional Kolmogorov partial differential equations (PDEs). The new machine learning-based method is obtained by solving a stochastic weighted minimization with stochastic gradient descent which is inspired by a high-order weak approximation scheme for stochastic differential equations (SDEs) with Malliavin weights. Then solutions to high-dimensional Kolmogorov PDEs or expectations of functionals of solutions to high-dimensional SDEs are accurately approximated without suffering from the curse of dimensionality. Numerical examples for PDEs and SDEs up to 100 dimensions are shown by using second and third-order discretization schemes in order to demonstrate the effectiveness of our method.


翻译:本文介绍了一种非常简单和快速的高维元件计算方法,以解决高维科尔莫戈罗夫部分差异方程式(PDEs)问题。新的机器学习方法是通过用随机梯度梯度下降来解决一个随机加权最小化方法获得的。该方法的灵感来自一个具有Malliavin重量的高端随机偏差方程式(SDEs)高端微弱近似近似方案。然后,高维科尔莫戈罗夫 PDEs或高维SDE解决方案功能预期的解决方案的解决方案可以准确估计,而不会受到维度的诅咒。PDEs和SDEs最高至100维的数值示例通过使用二级和三级分解方案展示我们方法的有效性。

0
下载
关闭预览

相关内容

已删除
将门创投
8+阅读 · 2018年10月31日
carla无人驾驶模拟中文项目 carla_simulator_Chinese
CreateAMind
3+阅读 · 2018年1月30日
【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
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
VIP会员
相关VIP内容
相关资讯
已删除
将门创投
8+阅读 · 2018年10月31日
carla无人驾驶模拟中文项目 carla_simulator_Chinese
CreateAMind
3+阅读 · 2018年1月30日
【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
机器学习研究会
4+阅读 · 2017年8月6日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Top
微信扫码咨询专知VIP会员