中文

Ahlfors-Hopf 方程的可微解

机器学习 2025-10-23 v1 机器学习

摘要

在本文中,我们推进了关于均值失真问题的极值函数边界值问题及其关联Teichm"uller空间的研究,这些空间在经典的极值准共形映射与通过极值Dirichlet能量调和映射(更近期的方法)之间进行插值。在本文中,我们关注Ahlfors-Hopf微分方程:\nΦ=A(K(w,h))hwhwη(h), \Phi=\mathcal{A}(\mathbb{K}(w,h))h_w\,\overline{h_{\overline{w}}}\, \eta(h), \n其中 h=f1h=f^{-1} 是极值映射 ff 的伪逆,用于问题\ninff:DDDA(K(z,f))  dz,K(z,f)=fz2+fz2fz2fz2. \inf_{f:\mathbb{D}\to\mathbb{D}}\int_\mathbb{D} \mathcal{A}(\mathbb{K}(z,f)) \; dz, \quad\quad \mathbb{K}(z,f) = \frac{|f_z|^2+|f_{\overline{z}}|^2}{|f_z|^2-|f_{\overline{z}}|^2}. \n其中该最小值是在满足边界条件 fS=f0f|\mathbb{S}=f_0(通常为准对称屏障函数)的有限失真同胚映射 f:DDf:\overline{\mathbb{D}}\to\overline{\mathbb{D}} 范围内取的。在内变分方程(作为Euler-Lagrange方程的类比)中,我们显示 Φ\Phi 在极值点上为全纯函数。利用Ahlfors-Hopf微分,我们证明了极值点 ffD\mathbb{D} 中为局部可微,从而解决了一些猜想[16]。

关键词

引用

@article{arxiv.2510.19374,
  title  = {Square root Cox's survival analysis by the fittest linear and neural networks model},
  author = {Maxime van Cutsem and Sylvain Sardy},
  journal= {arXiv preprint arXiv:2510.19374},
  year   = {2025}
}