Parameter Estimation in Stochastic Differential Equations via Wiener Chaos Expansion and Stochastic Gradient Descent
基于维纳混沌展开与随机梯度下降的随机微分方程参数估计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：摘要聚焦 SDE 参数估计的数值与谱方法，未涉及所给微观、宏观或金融计量细分领域的典型问题与数据结构，故不选择任何细分方向。
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…
基于维纳混沌展开与随机梯度下降的随机微分方程参数估计
- 研究问题
- 摘要称，本文研究随机微分方程（SDE）的参数估计反问题，目标是在离散、含噪观测下恢复模型参数。
- 方法与思路
- 作者提出用维纳混沌展开把随机解投影到 Hermite 多项式正交基上，将随机动态转化为确定性的层级 propagator 系统，再通过随机梯度下降最小化带正则的偏差泛函，从而把随机推断化为确定性优化。
- 材料陈述的贡献
- 摘要称该框架绕开了 MCMC、MLE 等模拟类方法的高计算负担与抽样需求，并在若干非线性 SDE（含个体生物生长模型）的数值实验中实现较准确的参数恢复。
- 阅读关注点
- 应核对：正则项与偏差泛函的具体形式、WCE 截断阶数与误差控制、SGD 的收敛条件与步长设定、观测噪声与离散化假设，以及数值实验的模型设定与评价标准。
- 阅读边界
- 仅凭摘要无法判断识别条件、理论保证、计算复杂度与相对已有方法的实际优势；摘要未说明真实数据应用与敏感性分析。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
This study addresses the inverse problem of parameter estimation for Stochastic Differential Equations (SDEs) by minimizing a regularized discrepancy functional via Stochastic Gradient Descent (SGD). To achieve computational efficiency, we leverage the Wiener Chaos Expansion (WCE), a spectral decomposition technique that projects the stochastic solution onto an orthogonal basis of Hermite polynomials. This transformation effectively maps the stochastic dynamics into a hierarchical system of deterministic functions, termed the \textit{propagator}. By reducing the stochastic inference task to a deterministic optimization problem, our framework circumvents the heavy computational burden and sampling requirements of traditional simulation-based methods like MCMC or MLE. The robustness and scalability of the proposed approach are demonstrated through numerical experiments on various non-linear SDEs, including models for individual biological growth. Results show that the WCE-SGD framework provides accurate parameter recovery even from discrete, noisy observations, offering a significant paradigm shift in the efficient modeling of complex stochastic systems.