“数理讲堂”2023年第50期:Detecting transition pathway in stochastic Dynamical systems through optimal control and machine learning

发布时间:2023-11-27 供稿:数理与统计学院 分享至:

主题:Detecting transition pathway in stochastic Dynamical systems through optimal control and machine learning

时间:11月28日 15:00

地点:15号楼518会议室

主持人:高美娜教授

报告人简介:

高婷,于2015年获得伊利诺伊理工大学博士学位,曾在美国MZ和Twitter大数据产品开发部门担任高级数据科学家和机器学习工程师。她开发了多个基于深度强化学习和深度学习的最先进的推荐系统,以及用于大数据流在线学习的实时竞价模型。现就职于华中科技大学数学科学中心和数学与统计学院,主要研究方向为非高斯随机动力系统的识别、有效动力学的预测与优化控制,以及在信息通信、金融数学和脑科学中的应用。 已在Chaos、AMM、Physica D、SIAM系列期刊等发表论文20余篇。

讲座简介

现实世界中的许多复杂现象都表现出突变、间歇或跳跃行为,这些行为更适合用非高斯Lévy 噪声下的随机微分方程来描述。在这些复杂的现象中,亚稳态之间最可能的转变路径非常重要,因为这些罕见的事件可能在某些情况下产生很大的影响。计算非高斯Lévy噪声下随机动力系统最可能的转移路径的挑战之一,是相关的速率函数无法用路径明确表示。为此,我们将原来的变分问题转化为最优控制问题,以获得最优状态作为最可能的转移路径。在本次报告中,我们将提出解决该问题的三种有效方法以及相应的收敛性和计算效率的数值分析,包括监督学习和强化学习以及采用Pontryagin极大值原理的FBSDE。我们还将讨论应用中的各种随机动力系统。


上一篇:下一篇:
最新导读