Finite element approximations of the stochastic Benjamin-Bona-Mahony equation with multiplicative noise

Questo articolo analizza un'approssimazione completamente discreta mediante elementi finiti dell'equazione stocastica di Benjamin-Bona-Mahony con rumore moltiplicativo, dimostrando l'esistenza e l'unicità delle soluzioni, stabilendo stime di convergenza ottimali o sub-ottimali a seconda della natura del rumore e validando i risultati teorici attraverso esperimenti numerici.

Hung D. Nguyen, Thoa Thieu, Liet VoTue, 10 Ma🔢 math

Bayesian inference of planted matchings: Local posterior approximation and infinite-volume limit

Questo studio dimostra che, nel caso di corrispondenze parziali in una dimensione, la distribuzione a posteriori per l'inferenza bayesiana di un matching nascosto tra punti casuali correlati è approssimabile tramite algoritmi locali e presenta un limite ben definito all'infinito, mentre per il caso di corrispondenza esatta è necessaria una ordinazione globale e un'indicizzazione basata sul flusso per definire il limite delle statistiche marginali.

Zhou Fan, Timothy L. H. Wee, Kaylee Y. YangTue, 10 Ma🔢 math

Solution space characterisation of perturbed linear discrete and continuous stochastic Volterra convolution equations: the p\ell^p and LpL^p cases

Questo articolo caratterizza le condizioni di sommabilità pp-quasi certa per le soluzioni di equazioni di Volterra stocastiche perturbate, dimostrando che mentre nel caso discreto la sommabilità delle funzioni perturbanti è necessaria e sufficiente, nel caso continuo è possibile ottenere traiettorie pp-integrabili anche con perturbazioni non integrabili, grazie a un'analisi che collega i due casi tramite discretizzazione e studia il comportamento asintotico delle soluzioni.

John A. D. Appleby, Emmet LawlessThu, 12 Ma🔢 math

Some properties of the principal Dirichlet eigenfunction in Lipschitz domains, via probabilistic couplings

Questo lavoro studia le proprietà di regolarità dell'autofunzione principale del problema di Dirichlet spettrale sia in versione discreta (cammino casuale) che continua (moto browniano) in domini lipschitziani, fornendo una dimostrazione puramente probabilistica basata su una rappresentazione di Feynman-Kac, stime di "gambler's ruin" e un nuovo accoppiamento "multi-specchio", e utilizzando tali risultati per analizzare la convergenza verso la soluzione continua.

Quentin Berger, Nicolas BouchotThu, 12 Ma🔢 math

Additive subordination of multiparameter Markov processes

Questo lavoro estende il teorema di Phillips per dimostrare che i processi di Markov multidimensionali a più parametri, sottordinati da un subordinatore additivo indipendente, costituiscono evoluzioni di Feller, caratterizzandone il generatore e la rappresentazione pseudo-differenziale, con applicazioni specifiche ai processi di Ornstein-Uhlenbeck in ambito finanziario.

Giuseppe D'Onofrio, Alessandro Mutti, Patrizia SemeraroThu, 12 Ma🔢 math

The discrete periodic Pitman transform: invariances, braid relations, and Burke properties

Questo articolo sviluppa la teoria della trasformata di Pitman periodica discreta, dimostrando che soddisfa le relazioni di treccia, definisce un'azione del gruppo simmetrico infinito e preserva le funzioni di partizione dei polimeri in ambienti periodici, portando a nuovi risultati di invarianza multi-percorso per il polimero inverso-gamma.

Eva R. Engel, Benjamin Jasper Kra-Caskey, Oleksandr Lazorenko, Caio Hermano Maia de Oliveira, Evan Sorensen, Ivan Wong, Ryan Xu, Xinyi ZhangThu, 12 Ma🔢 math

Parameter-related strong convergence rates of Euler-type methods for time-changed stochastic differential equations

Il documento propone un framework di tipo Eulero per equazioni differenziali stocastiche cambiate nel tempo, dimostrando che i metodi di Eulero-Maruyama standard e troncato raggiungono ordini di convergenza forte prossimi a α/2\alpha/2 sotto condizioni globali di Lipschitz e di tipo Khasminskii, rispettivamente, differenziandosi così dai risultati classici ottenuti con passi temporali casuali.

Ruchun ZuoThu, 12 Ma🔢 math

Sampling via Stochastic Interpolants by Langevin-based Velocity and Initialization Estimation in Flow ODEs

Il paper propone un metodo innovativo per il campionamento da densità di Boltzmann non normalizzate, basato su un'equazione differenziale ordinaria di flusso derivata da interpolanti stocastici lineari, che utilizza una sequenza di campionatori di Langevin per generare campioni intermedi e stimare robustamente il campo di velocità, garantendo teoricamente la convergenza e dimostrando l'efficienza in esperimenti numerici su distribuzioni multimodali complesse e compiti di inferenza bayesiana.

Chenguang Duan, Yuling Jiao, Gabriele Steidl, Christian Wald, Jerry Zhijian Yang, Ruizhe ZhangThu, 12 Ma📊 stat