TL;DR
- چکیده:.
- در این مقاله،.
- ما Stoch-IDENT،.
چه اتفاقی افتاد
چکیده:. در این مقاله،.
ما Stoch-IDENT،. یک چارچوب جدید برای شناسایی معادلات دیفرانسیل جزئی تصادفی (SPDE) از دادههای مشاهدهای را پیشنهاد میکنیم.
روش ما میتواند SPDEهای خطی و غیرخطی مرتبه بالا را که توسط فرآیندهای وینر وابسته به زمان. هدایت میشوند،.
مدیریت کند و ساختارهای نویز افزایشی و ضربی را در خود جای دهد. برای بررسی قابلیت شناسایی SPDEها از دادههای مسیر،.
ما خواص طیفی میانگین و کوواریانس راهحل را برای SPDEهای خطی با ضرایب ثابت،. و همچنین بعد فضای راهحل برای انواع سهمیو هذلولی،.
تجزیه و تحلیل میکنیم،. و تئوری شناسایی را برای PDEهای قطعی تعمیم میدهیم.
از نظر الگوریتمی، اصطلاح رانش از طریق تعمیم میانگین نمونه از روشهای موجود برای شناسایی PDE شناسایی میشود. برای عبارت انتشار،.
یک مسئله رگرسیون پراکنده را با اندازهگیریهای درجه دوم فرموله میکنیم ناشی از باقیماندههای رانش و کوواریانس. های ویژگی.
برای پرداختن به این بهینهسازی غیرمحدب و غیرهموار چالشبرانگیز،. ما یک الگوریتم حریصانه جدید،.
Quadratic Subspace Pursuit (QSP) توسعه میدهیم و ثابت میکنیم که QSP تحت شرایط خاص از بازیابی پشتیبانی پایدار. برخوردار است.
ما Stoch-IDENT را در SPDEهای مختلف تأیید میکنیم و اثربخشی آن را از طریق ارزیابیهای. کمیو کیفی نشان میدهیم.
تجزیه و تحلیل عددی (math. NA) استناد بهعنوان: (یا v2 [math.
NA] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
Roy He [مشاهده ایمیل] [v1] سه شنبه،. 26 اوت 2025،.
ساعت 16:. 29:.
54 UTC (392 KB) [v2] یکشنبه،. 5 آوریل 2026،.
09:. 56:.
29 UTC (317 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.