用于马尔可夫神经网络与深度随机控制的朗之万算法
计算金融
2023-01-16 v2 机器学习
最优化与控制
机器学习
摘要
随机梯度下降朗之万动力学（SGLD）算法在经典梯度下降中加入噪声，已知在神经网络非常深的一些情况下可改善神经网络的训练。本文研究在通过梯度下降数值求解随机控制问题时，以神经网络参数化控制的情形下训练加速的可能性。若控制在多个离散化时刻施加，则求解随机控制问题可化为一个极深神经网络的损失最小化。我们通过数值实验表明，朗之万算法在诸如对冲与资源管理等多种随机控制问题以及不同梯度下降方法的选择下，均能改善训练。
引用
@article{arxiv.2212.12018,
title = {Langevin algorithms for Markovian Neural Networks and Deep Stochastic control},
author = {Pierre Bras and Gilles Pagès},
journal= {arXiv preprint arXiv:2212.12018},
year = {2023}
}
备注
12 pages