Multilevel Monte Carlo estimators for elliptic PDEs with Lévy-type diffusion coefficient
扩散系数在空间上不连续的一般椭圆型方程可作为非均质或裂隙多孔介质中地下渗流的简化模型。在这样的模型中,数据稀疏性和测量误差经常被考虑到的随机化的扩散系数的椭圆型方程,揭示了灵活的,空间不连续的随机场的建设的必要性。从属高斯随机场是高维参数域上的随机函数,具有样本路径不连续和分布灵活性。本文考虑一类随机椭圆型偏微分方程,其中扩散系数中存在间断的从属高斯随机场。构造了求解随机椭圆型偏微分方程的多层蒙特卡罗(MLMC)有限元法。我们证明了一个标准的MLMC估计和一个修改的MLMC -控制变量估计的先验收敛性,并验证了我们的结果在各种数值例子。
2021-08-12 cs.NA math.NA
A generalized discontinuous Hamilton Monte Carlo for transdimensional sampling
针对维度变化分布,本文提出带能量校正的广义 DHMC,并结合 random batch 方法实现巨正则相互作用粒子系统的高效、低相关采样。
2025-05-15 cs.NA math.NA
An efficient Monte Carlo interior penalty discontinuous Galerkin method for elastic wave scattering in random media
The University of Tennessee, Knoxville(田纳西大学诺克斯维尔分校);University of West Florida(西佛罗里达大学)
本文提出了一种高效的蒙特卡洛内部惩罚不连续有限元方法,用于解决随机介质中的弹性波散射问题,通过多模展开和确定性PDE求解器实现最优收敛性。
2016-05-12 cs.NA math.NA
Error analysis for discontinuous Galerkin time-stepping methods for nonlinear parabolic equations via maximal regularity
该研究针对非线性抛物方程的间断Galerkin时间步进离散化,借鉴Runge-Kutta方法误差分析思路,基于非自治线性抛物方程对应方法的极大正则性,建立了先验与条件后验误差估计。
2024-12-11 cs.NA math.NA
A Multilevel Monte Carlo Algorithm for Parabolic Advection-Diffusion Problems with Discontinuous Coefficients
理查兹方程是非饱和土中水流的一种模型。这个(非线性)偏微分方程的系数描述了介质的渗透率。不充分或不确定的测量通常由随机系数建模。对于在非均质\textbackslash裂缝\textbackslash多孔介质中的流动,系数被建模为不连续的随机场,其中沿随机不连续的界面表示介质中的过渡。更准确地说,随机系数由(连续)高斯随机场和(不连续)跳跃部分之和给出。在这项工作的随机偏微分方程的解决方案的时刻计算使用路径的数值逼近结合多级蒙特卡洛抽样。不连续性决定了空间离散化,这导致随机网格。因此,在误差分析的细化参数和问题相关常数是随机变量,我们推导出(最佳)先验收敛速度在均方意义上。
2020-03-09 cs.NA math.AP math.NA
Stochastic Algorithmic Differentiation of (Expectations of) Discontinuous Functions (Indicator Functions)
在本文中,我们提出了一种方法,用于精确估计的衍生物(aka。灵敏度)的函数的期望,包括通过组合随机算法微分和回归的指示函数。该方法是[Risk Magazine 2018年4月]中提出的方法的改进。已知间断函数的蒙特卡罗积分的偏导数的有限差分近似表现出高的蒙特卡罗误差。这个问题很明显,因为不连续函数的蒙特卡罗近似只是不连续函数的有限和,因此甚至不可微。不连续函数的算法微分是有问题的。一个自然的方法是用连续函数代替不连续性。这相当于用(局部)有限差分近似代替路径自动微分。我们提出了一个改进(在方差缩减方面),通过解耦狄拉克三角洲和剩余的条件期望的整合,并估计这两个部分由单独的回归。对于算法微分,我们推导出一个运算符,该运算符可以无缝地注入到算法中,从而产生精确的结果。
2019-11-11 cs.NA math.NA q-fin.CP
MLMC techniques for discontinuous functions
本文综述了处理不连续函数下MLMC方差衰减慢问题的技术,包括分支扩散和自适应采样等新方法。
2023-09-04 cs.NA math.NA
A posteriori error control for a Discontinuous Galerkin approximation of a Keller-Segel model
本文针对二维或三维抛物-椭圆Keller-Segel系统,提出间断Galerkin格式的条件且最优的后验误差估计,并利用该估计量基于数值结果证明弱解在某一时刻之前的存在性。
2024-06-10 cs.NA math.NA
Non-asymptotic convergence analysis of the stochastic gradient Hamiltonian Monte Carlo algorithm with discontinuous stochastic gradient with applications to training of ReLU neural networks
School of Mathematics, Renmin University of China, Beijing, China(中国人民大学数学学院);Division of Mathematical Sciences, Nanyang Technological University, 21 Nanyang Link, 637371 Singapore(南洋理工大学数学科学学院);Financial Technology Thrust, Society Hub, The Hong Kong University of Science and Technology (Guangzhou), Guangzhou, China(香港科技大学(广州)金融科技中心)
本文对允许不连续随机梯度的SGHMC算法给出非渐近收敛分析,提供可任意小的期望超额风险上界,适用于ReLU神经网络训练等非凸优化问题,并通过金融和AI相关实验验证。
2025-05-26 cs.LG cs.NA math.NA
Conditional a posteriori error bounds for high order DG time stepping approximations of semilinear heat models with blow-up
这项工作是关注的发展的自适应数值方法的半线性热流模型具有一般(可能)的非线性反应项,可能会导致解决方案在有限时间内爆破。全离散格式由高阶间断Galerkin(dG)时间步方法和空间协调有限元离散(cG)组成。建议的自适应过程是基于严格设计的条件后验误差界的$L^{\infty}(L^{\infty})$规范。数值实验结果补充了理论结果。
2021-05-07 cs.NA math.NA
Sensitivity estimation of conditional value at risk using randomized quasi-Monte Carlo
条件风险价值(CVaR)是一种常用的投资组合风险度量方法。CVaR的灵敏度分析在风险管理和基于梯度的优化算法中具有重要的应用价值。本文利用随机拟蒙特卡罗方法(RQMC)研究了CVaR灵敏度的微扰分析估计。我们首先证明了基于RQMC的估计量在非常温和的条件下是强相合的。在一定的技术条件下,在CVaR敏感性估计中使用$d$维点的RQMC对任意小的$ε>0$产生$O(n^{-1/2-1/(4d-2)+ε})$的平均差错率.数值结果表明,在所有情况下,RQMC方法都优于蒙特卡罗方法。如所建立的理论差错率所预测的,普通RQMC的增益随着尺寸$d$的增加而恶化。
2020-09-21 cs.NA math.NA stat.CO
Gradient-based optimisation of the conditional-value-at-risk using the multi-level Monte Carlo method
本文提出结合多层级蒙特卡洛与梯度下降算法优化条件风险价值,并证明指数收敛,数值实验显示与标准MLMC相同的渐近成本-容差性能。
2023-10-13 cs.NA math.NA
A Deep Learning Based Discontinuous Galerkin Method for Hyperbolic Equations with Discontinuous Solutions and Random Uncertainties
提出了一种基于深度学习的间断伽辽金方法(D2 GM),用于求解具有间断解和随机不确定性的双曲型方程。这些问题的主要计算挑战包括解的不连续性和由于不确定性而导致的维数灾难。深度学习技术在高维问题中受到青睐,但在解不光滑时面临困难,因此迄今为止主要用于仅允许光滑解的粘性双曲系统。我们通过使用离散激波捕获方案--以不连续Galerkin方法为例--建立损失函数来缓解这一困难,因为解在离散空间中是光滑的。D2 GM的收敛性是通过Lax等价定理类论证建立的。采用蒙特卡罗方法处理高维随机空间。这样的设置使得D2 GM在合理的成本下以令人满意的精度近似随机空间上的高维函数。D2 GM数值计算发现,一阶和二阶精度的(随机)线性守恒律光滑的解决方案,分别使用分段常数和分段线性基函数。对随机线性守恒律和随机Burgers方程的随机变量维数为$200$的D2 GM模型进行了数值模拟,验证了D2 GM模型的有效性和鲁棒性.
2021-07-02 cs.NA math.NA
An efficient estimation of nested expectations without conditional sampling
针对嵌套期望估计,本文提出基于事后分层的新型 Monte Carlo 方法,无需内层条件采样,仅用联合分布成对数据即可估计,并给出均方误差上界,实验显示其在效率与适用性上优于现有方法。
2022-06-21 cs.NA math.NA
Multilevel Monte Carlo estimation of the expected value of sample information
本文研究了样本信息期望值的蒙特卡罗估计,它衡量了在不确定性条件下获得额外信息对决策的预期效益。EVSI被定义为嵌套期望,其中外部期望是关于一个随机变量$Y$的,内部条件期望是关于另一个随机变量$θ$的。尽管嵌套(马尔可夫链)蒙特卡罗估计器经常用于此背景下,但众所周知,$\varepsilon$的均方根精度是以$O(\varepsilon^{-2-1/α})$为代价实现的,其中$α$表示偏差的收敛阶数,通常介于$1/2$和$1$之间。在这篇文章中,我们提出了一种新的有效的蒙特卡罗估计EVSI应用多级蒙特卡罗(MLMC)方法。而不是固定的内部样本的数量$θ$在嵌套蒙特卡罗估计,我们认为内部样本的数量上的几何级数,这产生了一个层次的内部条件期望的估计,随着近似水平的增加。基于一个初等的伸缩和,我们的MLMC估计是由内部条件期望上逐次逼近水平差的Monte Carlo估计之和给出的。我们表明,在一组假设的决策和信息模型,逐次逼近水平是紧密耦合的,这直接证明了我们的MLMC估计提高了必要的计算成本,以最佳的$O(\varepsilon^{-2})$。数值实验证实了相当大的计算节省相比,嵌套蒙特卡罗估计。
2020-08-18 cs.NA math.NA
Randomized quasi-Monte Carlo and Owen's boundary growth condition: A spectral analysis
本研究通过谱分析验证了格点规则与Sobol'序列两类随机准蒙特卡罗方法的方差渐近收敛速率与Owen边界增长条件的指数一致,并拓展分析了不连续被积函数的情况。
2025-02-16 cs.NA math.NA
Automatic Backward Differentiation for American Monte-Carlo Algorithms (Conditional Expectation)
本文推导了包含条件期望算子的算法的反向微分方法,应用于美式金融衍生品估值,提出利用条件期望的线性组合和期望微分性质简化实现。
2017-07-16 cs.DS cs.NA math.NA
Quasi-Monte Carlo-Based Conditional Malliavin Method for Continuous-Time Asian Option Greeks
虽然离散时间亚式期权希腊族的计算方法很多,但连续时间亚式期权希腊族的计算方法却很少。本文在多维Malliavin演算中发展了一个分部积分法公式,并应用它得到了多资产情形下连续时间亚式期权的Greeks公式.我们将Malliavin方法与拟蒙特卡罗方法相结合来计算模拟中的希腊人。讨论了由Malliavin导数得到的连续时间亚式期权Greeks的模拟估计的渐近收敛.我们建议使用条件拟蒙特卡罗方法来平滑Malliavin希腊人,并表明,条件期望的计算分析是可行的许多类型的亚式期权。我们证明了新的估计希腊人有良好的光滑性。例如,对于二元亚式期权,亚式看涨期权和升出亚式看涨期权,我们的估计是无限次可微的。我们采用梯度主成分分析方法作为模拟中的降维技术。数值实验表明,所提出的方法,特别是对于具有不连续支付函数的亚式期权的效率大大提高。
2022-03-26 cs.NA math.NA math.PR
Conditional Monte Carlo for Reaction Networks
反应网络通常用于生物化学和生态学等领域的相互作用物种建模。当物质的计数足够大时,其浓度的动态通常经由微分方程系统来建模。然而,当某些物种的计数很小时,计数的动态通常通过离散状态、连续时间马尔可夫链随机建模。对这种模型感兴趣的一个关键量是在某个固定时间过程的概率质量函数。由于这些模型的路径相对简单,我们可以通过构建经验分布来估计概率。然而,分布的支持度通常在高维状态空间中扩散,其中维数等于物种的数量。因此,生成准确的经验分布可能会带来很大的计算成本。我们提出了一个新的蒙特卡罗估计,从根本上改善了"经典"的蒙特卡罗估计上述。它还保留了许多经典蒙特卡罗的简单性。这个想法基本上是一个条件蒙特卡罗。我们的条件蒙特卡罗估计有两个参数,他们的选择严重影响算法的性能。因此,目前的工作的一个关键贡献是,我们演示了如何近似这些参数的最优值在一个有效的方式。此外,我们提供了一个中心极限定理为我们的估计,这导致其误差的近似置信区间。
2022-01-04 cs.NA math.NA math.PR
Sparse Monte Carlo method for nonlocal diffusion problems
研究了一类具有非局部扩散的发展方程。这些都是积分微分方程产生的传播现象的模型,在连续介质中的非局部相互作用,包括神经组织,多孔介质流,peridopiics,模型与分数扩散,以及连续极限的相互作用动力系统。非局部系统的数值积分的主要挑战来自于非局部模型固有的数据和解决方案的空间规律性的缺乏。为了克服这个问题,我们提出了一个半离散的数值方案的基础上结合稀疏蒙特卡罗和间断伽辽金方法。我们的方法的一个重要特征是稀疏性。在非局部项的蒙特卡罗近似中对点进行稀疏采样允许使用更少的离散化点而不影响精度。我们证明了数值方法的收敛性,并估计了收敛的收敛速率。分别与Monte Calro和Galerkin近似的使用有关的数值方法的误差中有两个主要成分。我们分析这两个错误。两个有代表性的例子,不连续的内核。第一个例子的特点是一个奇异的内核,而在第二个例子中的内核经历跳跃不连续性。我们展示了如何在前一种情况下的奇异性和几何形状的不连续设置在后者转化为数值计算过程的收敛速率的信息。此外,我们说明了收敛速率估计与一个初值问题的数值例子,其中明确的分析解是可用的。数值结果与分析估计是一致的。
2019-12-22 cs.NA math.NA nlin.AO
Randomized Quasi-Monte Carlo and Importance Sampling for Super-Fast Growing Functions with Applications to Finance
Tsinghua University(清华大学);South China University of Technology(华南理工大学)
本文提出了一种结合RQMC与重要性采样的方法,用于处理超快速增长函数的金融衍生品定价问题,通过轻尾条件和预积分技术提升了计算效率和收敛性。
2025-12-01 cs.NA math.NA math.PR
Efficient risk estimation via nested multilevel quasi-Monte Carlo simulation
我们考虑的问题估计的概率从一个金融投资组合,未来的损失表示为一个条件期望的大损失。由于条件期望在大多数情况下是难以处理的,因此可以求助于嵌套模拟。为了降低嵌套模拟的复杂度,本文提出了一种结合多层蒙特卡罗(MLMC)和拟蒙特卡罗方法(QMC)的方法。在外部模拟中,我们使用蒙特卡罗来生成金融场景。在内部模拟中,我们使用QMC来估计每种情景下的投资组合损失。我们证明了在粗嵌套模拟和多层嵌套模拟中,使用QMC可以加快收敛速度。在一定条件下,通过引入QMC,MLMC的复杂度可以降低到$O(ε^{-2}(\log ε)^2)$。另一方面,由于指示函数的存在,MLMC遇到了灾难性的耦合问题。为了弥补这一点,我们提出了一个平滑MLMC方法,它使用逻辑S形函数近似指示函数。数值结果表明,当使用QMC方法在MLMC和光滑MLMC,即使在中等高的维度几乎达到最佳的复杂性$O(ε^{-2})$。
2020-11-24 cs.NA math.NA
Monte Carlo pathwise sensitivities for barrier options
Goethe University Frankfurt(法兰克福歌德大学)
本文提出了一种新的蒙特卡洛算法,能够计算不连续支付函数的路径灵敏度,结合了Glasserman和Staum的一步生存思想与Alm等人稳定的微分方法,并应用于CoCo-Bond的二维校准。
2019-04-18 cs.NA math.NA q-fin.CP
Adaptive Multilevel Monte Carlo for Probabilities
我们考虑$\mathbb{P}[G\in Ω]$的数值逼近,其中$d$维随机变量$G$不能直接采样,但有一个层次的越来越准确的近似$\{G_\ell\}_{\ell\in\mathbb{N}}$可以采样。标准蒙特卡罗估计的成本与此设置中的准确性不成比例,因为它使近似和采样成本复合。多层蒙特卡罗的直接应用稍微改进了这种成本缩放,但是返回次优的计算复杂性,因为概率的估计涉及$G_\ell$的不连续泛函。我们提出了一个通用的自适应框架,这是能够返回MLMC复杂性光滑或Lipschitz泛函的$G_\ell$。我们的假设和数值分析保持一般允许的方法被用于广泛的一类问题。我们提出了嵌套模拟的风险估计,其中$G = \mathbb{E}[X|Y]$近似的内部蒙特卡罗估计的数值实验。进一步的实验给出了数字期权定价,涉及一个近似的$d$维的价格。
2021-07-19 cs.NA math.NA q-fin.CP
Constructing unbiased gradient estimators with finite variance for conditional stochastic optimization
针对条件随机优化中嵌套期望梯度难以无偏估计的问题,论文证明 multilevel Monte Carlo 梯度估计器可在一定条件下实现无偏、有限方差与有限期望成本,并给出另一特殊构造。
2022-09-13 cs.NA math.NA stat.ME
Monte Carlo Simulation of SDEs using GANs
Centrum Wiskunde en Informatica (CWI)(荷兰国家数学与计算机科学研究中心);Utrecht University(乌得勒支大学);Delft University of Technology(代尔夫特理工大学);Rabobank(荷兰合作银行)
生成对抗网络(GANs)在应用于偏微分方程和金融时间序列生成时表现出了很好的效果。我们研究了GANs是否也可以用来近似一维伊藤随机微分方程(SDEs)。我们提出了一个方案,近似的路径明智的条件分布的偏微分方程大的时间步长。标准的GANs只能近似分布过程,产生对分布的弱近似。提出了一种条件GAN架构,使强近似。我们用生成器的先前输入和相应的输出样本之间的映射来通知这个GAN的控制器,即我们引入了一个“监督GAN”。我们比较了标准GAN和监督GAN获得的输入输出图,并通过实验表明标准GAN可能无法提供路径近似。GAN在通过精确模拟获得的数据集上进行训练。该架构在几何布朗运动(GBM)和Cox-Ingersoll-Ross(CIR)过程上进行了测试。监督的GAN优于欧拉和Milstein计划在大时间步长的离散化上的强误差。在近似条件分布时,它也优于标准条件GAN。我们还演示了标准GANs如何产生对扰动敏感的非简约输入输出映射,这激发了对GAN生成器的约束和正则化的需求。
2021-04-03 cs.LG cs.NA math.NA
Monte-Carlo method for incompressible fluid flows past obstacles
本文利用扩散过程的条件律对偶性建立不可压缩壁面流动的随机泛函积分表示,并据此提出基于精确随机涡量公式的蒙特卡洛方案,通过绕过边界层计算的数值实验验证其有效性。
2023-04-18 cs.NA math.NA math.PR
Quantifying uncertain system outputs via the multi-level Monte Carlo method -- distribution and robustness measures
本文研究利用多层蒙特卡洛方法估计复杂随机微分模型输出的分布、分位数及条件风险价值,提出新型可计算误差估计器并结合延续型自适应算法优化MLMC层级,数值实验验证了其高效性与稳健性。
2023-05-22 cs.NA math.NA math.PR
Domain-decomposed Evolutional Deep Neural Network with Random Features for Transient Pressure Diffusion with Discontinuous and High-Contrast Coefficients
Xi’an Jiaotong-Liverpool University(西交利物浦大学);University of Liverpool(利物浦大学)
针对非均质多孔介质中不连续高对比渗透率的瞬态压力扩散,提出域分解随机特征演化深度神经网络,分离空间与时间,实现结构保持的高效降阶模拟,精度高且可解释。
2026-11-03 cs.LG cs.NA math-ph