Core Concepts
Ein neuartiger rückwärts differenzierender Deep-Learning-basierter Algorithmus wird vorgestellt, um hochdimensionale nichtlineare rückwärts stochastische Differentialgleichungen effizient zu lösen.
Abstract
Der Artikel präsentiert einen neuen rückwärts differenzierenden Deep-Learning-basierten Algorithmus zur Lösung hochdimensionaler nichtlinearer rückwärts stochastischer Differentialgleichungen (BSDE).
Kernpunkte:
Die BSDE wird als differenzierendes Deep-Learning-Problem unter Verwendung der Malliavin-Rechnung reformuliert. Dies führt zu einem System von BSDEs, das die Lösung, ihren Gradienten und die Hessische Matrix schätzen muss.
Die Integrale in diesem System werden mit dem Euler-Maruyama-Verfahren diskretisiert und die unbekannten Prozesse mit tiefen neuronalen Netzen approximiert.
Die Netzwerkparameter werden rückwärts durch Minimierung einer differenzierenden Verlustfunktion optimiert, die die Dynamik des diskretisierten BSDE-Systems berücksichtigt.
Die Konvergenz des Algorithmus wird theoretisch analysiert und verschiedene numerische Experimente bis zu 50 Dimensionen zeigen die hohe Effizienz, insbesondere bei der Berechnung des Prozesses Γ.
Stats
Es gibt keine spezifischen Kennzahlen oder wichtige Zahlen, die aus dem Artikel extrahiert werden können.
Quotes
Es gibt keine auffallenden Zitate, die den Kernaussagen des Artikels unterstützen.