Статистические данные > Машинное обучение [представлено 27 октября 2026 года] Название: QDC-PINN:A Phisic-Informed Neural Network Approach to Bayesian быстрейшее обнаружение в высокомерных дисфункциях Вид PDF HTML (экспериментальное) резюме: проблемы обнаружения (QDP), возникающие при широком круге областей применения. Вместе с тем структура взаимодополняемости связанного с этим вариативного неравенства создает серьезные проблемы для традиционных цифровых методов, особенно в высокомерных условиях. Мы предлагаем рамки на основе PINN для оценки оптимальной границы остановки в QDP с высокомерными процессами диффузии и пространственной зависимостью, преодолевая при этом проклятие измерения. Теоретически, мы установим новую эквивалентность между свободной приграничной ПДЕ и бесконечной стохастической проблемой оптимизации, строго обосновывая использование конечных нервных сетей для приближения истинного решения. Кроме того, мы оцениваем надежность предлагаемых рамок путем количественного определения степени неопределенности в отношении извлеченных уроков остановок границ с использованием глубоких чувств и отсева из системы Монте-Карло. Полученные результаты свидетельствуют о низкой изменчивости независимых учебных пробегов и стохастических пропусков, что указывает на стабильную и последовательную оценку границ. Мы также сравниваем результаты нашей PINN со справочными количественными решениями, если таковые имеются, и находим тесное согласие. Текущий контекст просмотра: stat.ML…
QD-PINN:A Подход к быстрому обнаружению байесов в высокомерных диффузиях с помощью физико-информированной нейронной сети
arXiv: 261 030.37473v1 Вид уведомления: новое резюме: проблемы быстрого обнаружения (QDP) возникают в широком круге областей применения. Вместе с тем структура взаимодополняемости связанного с этим вариативного неравенства создает серьезные проблемы для традиционных цифровых методов, особенно в высокомерных условиях. Мы предлагаем рамки на основе PINN для оценки оптимальной границы остановки в QDP с высокомерными процессами диффузии и пространственной зависимостью, преодолевая при этом проклятие измерения. Теоретически, мы установим новую эквивалентность между свободной приграничной ПДЕ и бесконечной стохастической проблемой оптимизации, строго обосновывая использование конечных нервных сетей для приближения истинного решения. Кроме того, мы оцениваем надежность предлагаемых рамок путем количественного определения степени неопределенности в отношении извлеченных уроков остановок границ с использованием глубоких чувств и отсева из системы Монте-Карло. Полученные результаты свидетельствуют о незначительной изменчивости между независимыми учебными циклами и stochas