History-Conditioned Inference of Memory and Stochastic Forcing in Generalized Langevin Equations under Lévy Noise
Lévy 噪声下广义朗之万方程的历史条件化记忆与随机驱动推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究随机动力系统的记忆核与噪声识别，未明确连接所列宏观或金融计量方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
Lévy 噪声下广义朗之万方程的历史条件化记忆与随机驱动推断
- 研究问题
- 在含状态依赖布朗噪声及可选对称稳定跳跃的一维广义朗之万方程中，如何区分并识别记忆核与随机驱动？
- 方法与思路
- 作者以有限维 Markov 嵌入导出条件矩关系，通过历史条件化增量估计噪声参数，再用 RKHS 正则化恢复记忆核。
- 材料陈述的贡献
- 摘要称给出矩估计的条件有限样本界及记忆核恢复的条件误差界，并考察观测长度、测量噪声等因素的影响。
- 阅读关注点
- 应核对 Markov 嵌入的要求、截断统计与跳跃校正方式、历史条件化的实现，以及数据选择正则参数的保证。
- 阅读边界
- 这是所给 arXiv v1 预印本，同行评审或期刊接收未获核验；摘要未完整说明嵌入、可识别性与条件误差界的假设。
原文摘要
We consider the identification of memory and stochastic forcing in a one-dimensional generalized Langevin equation with state-dependent Brownian noise and optional additive symmetric $α$-stable jumps. A finite-dimensional Markov embedding provides Kramers--Moyal conditional moment relations that separate memory drift, Brownian diffusion, and jump contributions. From increment ensembles conditioned on the observed velocity history, truncated statistics estimate the stable parameters, corrected second moments determine the Brownian amplitude, and first moments lead to a Volterra equation for the memory kernel, solved by RKHS regularization. We establish conditional finite-sample bounds for the moment estimators and a conditional $L^2$ error bound for kernel recovery with a data-selected regularization parameter. Numerical experiments examine Brownian and Brownian--Lévy models under different forces, memory kernels, observation lengths, measurement noise, and approximate history conditioning.