Overcoming the curse of dimensionality through nonlinear stochastic algorithms

Información del proyecto

MONTECARLO

Identificador del acuerdo de subvención: 101045811

DOI

10.3030/101045811

Proyecto finalizado el 31 Agosto 2025

Fecha de la firma de la CE 29 Noviembre 2022

Fecha de inicio 1 Julio 2023

Fecha de finalización 30 Junio 2028

Financiado con arreglo a

• European Research Council (ERC)

Coste total

€ 1 351 528,00

Aportación de la UE

€ 1 351 528,00

Coordinado por

UNIVERSITAET MUENSTER
Germany

CORDIS proporciona enlaces a los documentos públicos y las publicaciones de los proyectos de los programas marco HORIZONTE.

Los enlaces a los documentos y las publicaciones de los proyectos del Séptimo Programa Marco, así como los enlaces a algunos tipos de resultados específicos, como conjuntos de datos y «software», se obtienen dinámicamente de OpenAIRE .

Publicaciones

Peer reviewed articles (8)

Local Lipschitz Continuity in the Initial Value and Strong Completeness for Nonlinear Stochastic Differential Equations

Autores: Sonja Cox, Martin Hutzenthaler, Arnulf Jentzen
Publicado en: Memoirs of the American Mathematical Society, Edición 296, 2024, ISSN 0065-9266
Editor: American Mathematical Society (AMS)
DOI: 10.1090/MEMO/1481

Overcoming the curse of dimensionality in the numerical approximation of high-dimensional semilinear elliptic partial differential equations

Autores: Christian Beck, Lukas Gonon, Arnulf Jentzen
Publicado en: Partial Differential Equations and Applications, Edición 5, 2024, ISSN 2662-2963
Editor: Springer Science and Business Media LLC
DOI: 10.1007/S42985-024-00272-4

On the Existence of Minimizers in Shallow Residual ReLU Neural Network Optimization Landscapes

Autores: Steffen Dereich, Arnulf Jentzen, Sebastian Kassing
Publicado en: SIAM Journal on Numerical Analysis, Edición 62, 2024, ISSN 0036-1429
Editor: Society for Industrial & Applied Mathematics (SIAM)
DOI: 10.1137/23M1556241

Nonlinear Monte Carlo Methods with Polynomial Runtime for Bellman Equations of Discrete Time High-Dimensional Stochastic Optimal Control Problems

Autores: Christian Beck, Arnulf Jentzen, Konrad Kleinberg, Thomas Kruse
Publicado en: Applied Mathematics & Optimization, Edición 91, 2025, ISSN 0095-4616
Editor: Springer Science and Business Media LLC
DOI: 10.1007/S00245-024-10213-7

Space-Time Deep Neural Network Approximations for High-Dimensional Partial Differential Equations

Autores: Fabian Hornung, Arnulf Jentzen and Diyora Salimova
Publicado en: Journal of Computational Mathematics, 2024, ISSN 0254-9409
Editor: Global Science Press
DOI: 10.4208/JCM.2308-M2021-0266

Learning rate adaptive stochastic gradient descent optimization methods: numerical simulations for deep learning methods for partial differential equations and convergence analyses

Autores: Steffen Dereich, Arnulf Jentzen, Adrian Riekert
Publicado en: Communications in Computational Physics, Edición to appear, 2024, ISSN 1815-2406
Editor: Global Science Press
DOI: 10.48550/ARXIV.2406.14340

Non-convergence to Global Minimizers for Adam and Stochastic Gradient Descent Optimization and Constructions of Local Minimizers in the Training of Artificial Neural Networks

Autores: Arnulf Jentzen, Adrian Riekert
Publicado en: SIAM/ASA Journal on Uncertainty Quantification, Edición 13, 2025, ISSN 2166-2525
Editor: Society for Industrial & Applied Mathematics (SIAM)
DOI: 10.1137/24M1639464

Gradient Descent Provably Escapes Saddle Points in the Training of Shallow ReLU Networks

Autores: Patrick Cheridito, Arnulf Jentzen, Florian Rossmannek
Publicado en: Journal of Optimization Theory and Applications, Edición 203, 2024, ISSN 0022-3239
Editor: Springer Science and Business Media LLC
DOI: 10.1007/S10957-024-02513-3