Newest papers

Deep Pontryagin Learning for Continuous-Time Stochastic Control with Jumps

Jean-Loup Dupret, Patrick Cheridito · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26718 · open-access PDF

Vietnamese

Chúng tôi phát triển một khuôn khổ học tập Pontryagin sâu cho các vấn đề kiểm soát liên tục thời gian chiều cao tự nhiên cho phép nhảy-diffusion. Không giống như tối ưu hóa chính sách trực tiếp, mà lặp đi lặp lại phân biệt mục tiêu thông qua toàn bộ động lực thời gian phân biệt, phương pháp của chúng tôi tách học tập phụ trợ từ cải thiện chính sách bằng cách tích hợp rõ ràng thông tin tình trạng nhạy cảm từ nguyên tắc Stochastic tối đa Pontryagin. Đối với một kiểm soát Markov cố định, chúng tôi đầu tiên tính toán các nhãn phụ trợ theo đường dẫn bằng cách backpropagate phần thưởng qua thời gian dọc theo đường dẫn trạng thái mô phỏng

Machine translation (Meta M2M100); the English original follows.

Abstract

We develop a deep Pontryagin learning framework for high-dimensional continuous-time stochastic control problems that naturally accommodates jump-diffusions. In contrast to direct policy optimization, which repeatedly differentiates the objective through the entire time-discretized dynamics, our method separates adjoint learning from policy improvement by explicitly incorporating state-sensitivity information from the Pontryagin stochastic maximum principle. For a fixed Markov control, we first compute pathwise adjoint labels by backpropagating the reward through time along simulated state tra

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange