- 博客(133)
- 收藏
- 关注
原创 3. Matérn协方差模型与随机偏微分方程
对应的高斯马尔可夫随机场 (GMRF)可以通过使用某种随机偏微分方程(SPDE)明确构造,当由高斯白噪声驱动时,随机偏微分方程的解是具有 Matérn 协方差函数的高斯场(GF)
2024-07-18 00:08:36 860
原创 2. 高斯场和高斯马尔可夫随机场
高斯场协方差矩阵计算问题一直是一个瓶颈,有一种方法是用高斯马尔可夫随机场替换高斯场来逼近协方差函数,以此来简化计算上的复杂度。
2024-07-10 12:12:50 832
原创 3.8. 马氏链-一般状态空间的马氏链(Harris链)
将把从可数状态空间的结果推广到具有不可数状态空间的马尔可夫链的集合中, 称为Harris链
2024-06-18 15:22:41 59
原创 3.5. 马氏链-平稳测度(2)
本节首先介绍平稳测度的定义及其示例, 然后给出可逆测度的定义, 并且说明可逆测度是平稳测度, 初始分布可逆的马氏链, 其对偶马氏链的转移概率和本身的转移概率相同(这也是可逆测度被称为可逆的原因).
2024-06-17 16:59:59 48
原创 3.2. 马氏链-马氏链的构造及马氏性(2)
本节首先构造马氏链, 即构造活动概率空间: 在序列空间中构造$P_x,P_\mu$, 使得在这个概率空间的点为马氏链; 基于该活动概率空间讨论马氏性和强马氏性.
2024-06-16 19:05:04 506
原创 3.2. 马氏链-马氏链的构造及马氏性(1)
本节首先构造马氏链, 即构造活动概率空间: 在序列空间中构造$P_x,P_\mu$, 使得在这个概率空间的点为马氏链; 基于该活动概率空间讨论马氏性和强马氏性.
2024-06-16 19:03:33 52
原创 1.4. 离散时间鞅-鞅的Lp收敛,鞅与停时 (2)
鞅的L^p收敛p > 1,鞅与停时鞅的L^p收敛(p > 1),鞅与停时2. 极大值不等式2.1. Doob不等式-时间有界2.2. LpL^{p}Lp极大值不等式3. 鞅的LpL^pLp收敛定理}鞅的L^p收敛(p > 1),鞅与停时2. 极大值不等式2.1. Doob不等式-时间有界我们知道, 从总趋势上看, 下鞅是上升的, 因此它在某个区间上的极大值在某种意义下应该能由其终端值控制. 同样, 上鞅的极值应该能用其初值控制.定理4.4.2 (Doob不等式-时间有界) 令X
2024-05-12 19:53:35 37
原创 1.4. 离散时间鞅-鞅的Lp收敛,鞅与停时 (1)
利用鞅变换和Doob停止定理证明$(X_N,\mathcal{F}_n)$可选停时定理(可以利用停止$\sigma$代数的性质,进一步得到$X_N,\mathcal{F}_N$可选停时定理),利用$(X_N,\mathcal{F}_n)$可选停时定理,我们可以证明Doob不等式,即下鞅极大值被终端值的期望控制,以此可得$L^{p}$极大值不等式,最后,我们利用$L^{p}$极大值不等式证明鞅的$L^p$收敛($p>1$)性.
2024-05-12 19:50:41 109
原创 1.3. 离散时间鞅-鞅几乎必然收敛的应用
我们将应用鞅收敛定理来推广第二Borel-Cantelli引理,并研究波利亚之瓮、Radon-Nikodym导数和分支过程.这四个主题是相互独立的.
2024-05-12 19:24:18 26
原创 1.2. 离散时间鞅-鞅的几乎必然收敛性
Martingale这个单词在英语里有下面两个意思, 随机过程中的Martingale过程通用中译用的是第二种意思, 但它的含义应该是直接脱胎于第一种意思, 不过更多地是指一种公平设计的赌博机制,因此在早期的台北出版物中, 它被直接翻译成 “平赌”.
2024-05-12 18:58:13 39
原创 1.1. 离散时间鞅-条件期望
条件期望可以认为是在掌握部分信息$\mathcal{F}$下对随机变量$X$的最佳估计, 即对于每一个$A\in \mathcal{F}$,我们知道事件$A$是否发生, $E(X|F)$是在所获得信息下对$X$值的“最佳猜测”(定理4.1.15说明条件期望是与$X$平均二次误差最小的随机变量). 依据这个概念定义条件期望并且给出条件期望的示例(条件期望在不同$\sigma$代数下的具体表示.)
2024-05-12 17:35:23 125
原创 (三)7. 深度生成模型-基于分数扩散模型的后验采样
本文的目标是开发一种实用、一致且稳健的算法,将基于得分的扩散模型作为图像先验,并结合通用(可能是非线性的)前向模型完成图像的重构。并且这种方法不需要从头开始训练或为每个新的成像任务进行端到端训练的即插即用方法。
2024-04-02 15:53:38 88
原创 SGD的重尾现象和随机微分方程建模方法
本文分析以下三种随机微分方程的平稳分布:可加随机微分方程,可乘随机微分方程和Levy过程驱动的随机微分方程。由于随机梯度下降算法具有重尾现象,在用随机微分方程对其建模的时候,需要考虑哪一种随机微分方程较为合适。
2024-03-20 09:57:13 43
原创 SGD的重尾行为
SGD的重尾行为1. 简介1.1. 随机梯度下降算法1.2. SGD泛化性能的理论研究1.3. SGD重尾行为的产生原因2. 基本概念3. 主要的理论结果3.1. SGD收敛性和极限分布的尾部行为3.2. 主要分析方法3.2.1. 仿射随机递归3.2.2. 更新理论方法3.3. 主要结论3.3.1. 极限密度的尾指数3.3.2. 尾指数与问题参数的关系(一) 与第一次退出时间的关系(二) 步长的三种机制(三) 矩的界和收敛的速度(四) 遍历平均的广义中心极限定理(五) 进一步讨论1. 简介1.1. 随机
2024-03-15 15:08:32 569
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人