连续时间对冲的方法
本文通过差分方程和随机微积分的连续时间分析视角,研究离散时间问题,提出了一个连续时间、无需参数算法,并开发了一个类似的离散算法,最后提出了一个任意时间的算法以应对最难情况,并给出了一些令人满意的实验证据。
Jun, 2022
研究一种基于连续时间的在线优化策略族,证明其能够达到无遗憾学习。从传统的离散时间角度来看,这种方法可导出大量离散时间算法(包括一些经典遗憾分析算法)的无遗憾性质,并统一了许多经典的遗憾上界,得到了一个无需借助于倍增技巧即可保证 $O (n^{-1/2})$ 遗憾上界的学习策略类。
Jan, 2014
本文提出了一种应用离散时间生存方法进行连续时间生存预测的方法,并探讨了 PMF 和离散时间风险率的参数化两种神经网络插值方法,并通过真实和模拟数据研究表明离散时间风险率参数化方法略胜一筹。同时,也提出了一种基于假设连续时间风险率是分段恒定的连续时间方法,并发现该方法在生存预测方面与其他方法相比非常有竞争力。
Oct, 2019
本文研究了使用时差学习算法评估连续时间进程的策略评估问题,并根据随机微分方程的时间离散化来学习连续值函数。通过为差分学习提供零均值修正,我们提出了一种鲁棒的算法,包括两种算法:一种是基于模型的算法,另一种是基于无模型的算法,其收敛性得到了证明。此外,该方法还可用于机器学习中求解非发散二阶椭圆方程的问题。
Feb, 2022
我们提出了机器学习的连续形式,作为经典数值分析中变分计算与微分积分方程问题的解决方法,演示了如何通过离散化来恢复传统的机器学习模型和算法,同时展示了从这种连续形式自然产生的新模型和新算法。并讨论了如何在这个框架下研究泛化误差和隐式正则化问题。
Dec, 2019
该研究提出了第一个完整的离散数据扩散模型去噪声的连续时间框架,使用连续时间马尔可夫链模型可以有效地训练模型,利用高维 CTMC 模拟技术和连续时间框架可导出高性能抽样器,超越了离散时间方法。此外,还得到了关于生成样本分布与真实数据分布之间误差的新理论结果。
May, 2022
扩展了离散治疗的反倾斜权重和双重稳健方法,使用了一个利用治疗接近程度的核函数来衰减拒绝采样,缓解了样本拒绝问题,可应用于持续的治疗问题,通过个性化给药数据集的案例研究,得到了比基准更好的策略推荐结果。
Feb, 2018
本文提出了可微分的短时傅里叶变换(STFT),使得跳跃长度或帧时位置可以通过参数连续优化。我们的方法提供了更好的帧时定位控制,因为跳跃长度的连续性允许更精细的优化。此外,我们的贡献使得可以使用诸如梯度下降等计算效率更高的优化方法。我们的可微分 STFT 还可以轻松集成到现有算法和神经网络中。我们通过模拟示例展示了我们方法的有效性,并吸引了研究界的兴趣。
Jul, 2023