Overcoming the curse of dimensionality through nonlinear stochastic algorithms

Informacje na temat projektu

MONTECARLO

Identyfikator umowy o grant: 101045811

DOI

10.3030/101045811

Realizacja projektu zakończyła się 31 Sierpnia 2025

Data podpisania przez KE 29 Listopada 2022

Data rozpoczęcia 1 Lipca 2023

Data zakończenia 30 Czerwca 2028

Finansowanie w ramach

• European Research Council (ERC)

Koszt całkowity

€ 1 351 528,00

Wkład UE

€ 1 351 528,00

Koordynowany przez

UNIVERSITAET MUENSTER
Germany

CORDIS oferuje możliwość skorzystania z odnośników do publicznie dostępnych publikacji i rezultatów projektów realizowanych w ramach programów ramowych HORYZONT.

Odnośniki do rezultatów i publikacji związanych z poszczególnymi projektami 7PR, a także odnośniki do niektórych konkretnych kategorii wyników, takich jak zbiory danych i oprogramowanie, są dynamicznie pobierane z systemu OpenAIRE .

Publikacje

Peer reviewed articles (8)

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

Autorzy: Sonja Cox, Martin Hutzenthaler, Arnulf Jentzen
Opublikowane w: Memoirs of the American Mathematical Society, Numer 296, 2024, ISSN 0065-9266
Wydawca: 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

Autorzy: Christian Beck, Lukas Gonon, Arnulf Jentzen
Opublikowane w: Partial Differential Equations and Applications, Numer 5, 2024, ISSN 2662-2963
Wydawca: 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

Autorzy: Steffen Dereich, Arnulf Jentzen, Sebastian Kassing
Opublikowane w: SIAM Journal on Numerical Analysis, Numer 62, 2024, ISSN 0036-1429
Wydawca: 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

Autorzy: Christian Beck, Arnulf Jentzen, Konrad Kleinberg, Thomas Kruse
Opublikowane w: Applied Mathematics & Optimization, Numer 91, 2025, ISSN 0095-4616
Wydawca: 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

Autorzy: Fabian Hornung, Arnulf Jentzen and Diyora Salimova
Opublikowane w: Journal of Computational Mathematics, 2024, ISSN 0254-9409
Wydawca: 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

Autorzy: Steffen Dereich, Arnulf Jentzen, Adrian Riekert
Opublikowane w: Communications in Computational Physics, Numer to appear, 2024, ISSN 1815-2406
Wydawca: 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

Autorzy: Arnulf Jentzen, Adrian Riekert
Opublikowane w: SIAM/ASA Journal on Uncertainty Quantification, Numer 13, 2025, ISSN 2166-2525
Wydawca: Society for Industrial & Applied Mathematics (SIAM)
DOI: 10.1137/24M1639464

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

Autorzy: Patrick Cheridito, Arnulf Jentzen, Florian Rossmannek
Opublikowane w: Journal of Optimization Theory and Applications, Numer 203, 2024, ISSN 0022-3239
Wydawca: Springer Science and Business Media LLC
DOI: 10.1007/S10957-024-02513-3