基于时序凸优化的自由终止时间自适应网格协方差引导
机器学习
2026-03-17 v1 人工智能
摘要
本文构建了一个用于自由终止时间协方差引导的序列凸优化（SCP）框架，针对具有加性和乘性扩散的非线性随机微分方程（SDE）。我们通过时间归一化将自由终止时间目标进行建模，并引入每个区间的时间拖拽变量，以产生自适应离散网格，实现控制策略和时间网格的同步优化。中心难题在于，在乘性噪声下，SCP 中准确的协方差传播需要保留一阶扩散线性化及其与时间拖拽的耦合。因此，我们推导了精确的局部线性随机模型（保留乘性结构），并引入可实现的离散化，保持相关扩散项，随后通过锥/半定义协方差引导松弛求解每个 SCP 子问题，包含终端时刻约束和状态/控制概率约束。数值实验在带阻力和速度相关扩散的非线性双积分器上验证了自由终止时间最小化通过自适应时间分配和相对于冻结扩散线性化的改进协方差精度。
引用
@article{arxiv.2603.14870,
title = {IgPose: A Generative Data-Augmented Pipeline for Robust Immunoglobulin-Antigen Binding Prediction},
author = {Tien-Cuong Bui and Injae Chung and Wonjun Lee and Junsu Ko and Juyong Lee},
journal= {arXiv preprint arXiv:2603.14870},
year = {2026}
}
备注
11 pages, 4 figures, Bioinformatics