Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Kongresse
Themenseiten
Künstliche Intelligenz Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Veranstaltungskalender Awards MyNewsletter Firmensuche
Kunden Login
Über Einzelzugang informieren
Über Unternehmenszugang informieren
Referenzkunden
Zukunftswerkstatt Sales Excellence 2025 | 08. Mai 2025

KI als Booster im Vertrieb

Lernen Sie von Digital-Experten, wie der gezielte Einsatz von KI-Unterstützung Ihrem Unternehmen in vielen Bereichen hilft, im Vertrieb einen Schritt voraus zu sein. Jetzt wieder live vor Ort teilnehmen in Frankfurt am Main!
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

Infinite-Variate \(L^2\)-Approximation with Nested Subspace Sampling

verfasst von : Kumar Harsha, Michael Gnewuch, Marcin Wnuk

Erschienen in: Monte Carlo and Quasi-Monte Carlo Methods

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

We consider \(L^2\)-approximation on weighted reproducing kernel Hilbert spaces of functions depending on infinitely many variables. We focus on unrestricted linear information, admitting evaluations of arbitrary continuous linear functionals. We distinguish between ANOVA and non-ANOVA spaces, where, by ANOVA spaces, we refer to function spaces whose norms are induced by an underlying ANOVA function decomposition. In ANOVA spaces, we provide an optimal algorithm to solve the approximation problem using linear information. We determine the upper and lower error bounds on the polynomial convergence rate of n-th minimal worst-case errors, which match if the weights decay regularly. For non-ANOVA spaces, we also establish upper and lower error bounds. Our analysis reveals that for weights with a regular and moderate decay behavior, the convergence rate of n-th minimal errors is strictly higher in ANOVA than in non-ANOVA spaces.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Simple Stratified Sampling for Simulating Multi-dimensional Markov Chains
Nächstes Kapitel Randomized Complexity of Vector-Valued Approximation
Anhänge
Nur mit Berechtigung zugänglich
Literatur
1.
2.
Baldeaux, J., Gnewuch, M.: Optimal randomized multilevel algorithms for infinite-dimensional integration on function spaces with ANOVA-type decomposition. SIAM J. Numer. Anal. 52, 1128–1155 (2014)MathSciNetCrossRef
3.
Dick, J., Gnewuch, M.: Infinite-dimensional integration in weighted Hilbert spaces: anchored decompositions, optimal deterministic algorithms, and higher order convergence. Found. Comput. Math. 14, 1027–1077 (2014)MathSciNetCrossRef
4.
Dick, J., Gnewuch, M.: Optimal randomized changing dimension algorithms for infinite-dimensional integration on function spaces with ANOVA-type decomposition. J. Approx. Theory 184, 111–145 (2014)MathSciNetCrossRef
5.
Fasshauer, G.E., Hickernell, F.J., Woźniakowski, H.: On dimension-independent rates of convergence for function approximation with Gaussian kernels. SIAM J. Numer. Anal. 50(1), 247–271 (2012)MathSciNetCrossRef
6.
Gnewuch, M., Hefter, M., Hinrichs, A., Ritter, K.: Embeddings of weighted Hilbert spaces and applications to multivariate and infinite-dimensional integration. J. Approx. Theory 222, 8–39 (2017)MathSciNetCrossRef
7.
Gnewuch, M., Hefter, M., Hinrichs, A., Ritter, K., Wasilkowski, G.W.: Embeddings for infinite-dimensional integration and \({L}_2\)-approximation with increasing smoothness. J. Complexity 54, 101406 (2019)MathSciNetCrossRef
8.
Gnewuch, M., Hinrichs, A., Ritter, K., Rüßmann, R.: Infinite-dimensional integration and \({L}^2\)-approximation on Hermite spaces. J. Approx. Theory (2024)
9.
Gnewuch, M., Mayer, S., Ritter, K.: On weighted Hilbert spaces and integration of functions of infinitely many variables. J. Complexity 30, 29–47 (2014)MathSciNetCrossRef
10.
Hefter, M., Ritter, K.: On embeddings of weighted tensor product Hilbert spaces. J. Complexity 31, 405–423 (2015)MathSciNetCrossRef
11.
Hickernell, F.J., Müller-Gronbach, T., Niu, B., Ritter, K.: Multi-level Monte Carlo algorithms for infinite-dimensional integration on \(\mathbb{R} ^{{\mathbb{N} }}\). J. Complexity 26, 229–254 (2010)MathSciNetCrossRef
12.
Irrgeher, C., Kritzer, P., Pillichshammer, F., Woźniakowski, H.: Approximation in Hermite spaces of smooth functions. J. Approx. Theory 207, 98–126 (2016). ISSN 0021-9045
13.
Kuo, F.Y., Sloan, I.H., Wasilkowski, G.W., Woźniakowski, H.: Liberating the dimension. J. Complex. 26, 422–454 (2010)MathSciNetCrossRef
14.
Müller-Gronbach, T., Ritter, K.: Variable subspace sampling and multi-level algorithms. In: L’Ecuyer, P., Owen, A.B. (eds.) Monte Carlo and Quasi-Monte Carlo Methods 2008. Springer (2009)
15.
Novak, E., Woźniakowski, H.: Tractability of Multivariate Problems. Vol. 1: Linear Information. EMS Tracts in Mathematics. European Mathematical Society (EMS), Zürich (2008)
16.
Traub, J.F., Wasilkowski, G.W., Woźniakowski, H.: Information-Based Complexity. Academic, New York (1988)
17.
Wasilkowski, G.W.: Liberating the dimension for \({L}_2\)-approximation. J. Complex. 28, 304–319 (2012)CrossRef
18.
Wasilkowski, G.W., Woźniakowski, H.: Liberating the dimension for function approximation. J. Complex. 27, 86–110 (2011)MathSciNetCrossRef
19.
Wnuk, M.: A short note on compact embeddings of reproducing kernel Hilbert spaces in \({L}^2\) for infinite-variate function approximation. In Hinrichs, A., Kritzer, P., Pillichshammer, F. (eds.) Monte Carlo and Quasi-Monte Carlo Methods. Springer (2024)
Metadaten
Titel
Infinite-Variate -Approximation with Nested Subspace Sampling
verfasst von
Kumar Harsha
Michael Gnewuch
Marcin Wnuk
Copyright-Jahr
2024
Buch
Monte Carlo and Quasi-Monte Carlo Methods

Print ISBN: 978-3-031-59761-9

Electronic ISBN: 978-3-031-59762-6

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-3-031-59762-6_16

Premium Partner

    Bildnachweise