Deep-Control of Memory via Stochastic Optimal Control and Deep Learning

Dieses Kapitel vertieft sich in die komplizierte Schnittmenge zwischen stochastischer optimaler Steuerung und tiefem Lernen und konzentriert sich dabei insbesondere auf die Herausforderungen, die von speicherabhängigen Kontrollproblemen ausgehen. Es führt das Prinzip der dynamischen Programmierung (DPP) und seine Beschränkungen in zeitverzögerten Umgebungen ein und betont den Verlust von Markov-Eigentum. Die Autoren präsentieren ausgefeilte mathematische Techniken, um diese Probleme neu zu formulieren und zu lösen, darunter die Verwendung von Viskositätslösungen für Partielle Differentialgleichungen (PDEs) und fortgeschrittene Berechnungsmethoden. Darüber hinaus untersucht das Kapitel die Anwendung von Deep Learning, insbesondere von Long-Short Term Memory (LSTM) -Netzwerken, um diese Komplexitäten anzugehen, und zeigt ihre Effizienz bei der Erfassung unendlicher Speicher auf. Die Arbeit schließt mit einem Benchmark-Beispiel im Finanzwesen, das die praktische Anwendbarkeit dieser Methoden aufzeigt. Dieses Kapitel ist eine fesselnde Lektüre für Spezialisten, die innovative Lösungen für stochastische Kontrolle und tiefes Lernen verstehen und anwenden wollen.