Quasi-optimality of the Crouzeix-Raviart FEM for p-Laplace-type problems

O artigo demonstra a quasi-otimalidade do Método de Elementos Finitos de Crouzeix-Raviart para problemas do tipo p-Laplaciano, estabelecendo que o erro é limitado por uma constante vezes o erro de melhor aproximação mais um termo de oscilação de dados, e como consequência, obtém uma nova estimativa de erro a priori mais localizada para o FEM Lagrangeano conformante de ordem mais baixa.

Johannes Storn2026-03-06🔢 math

Kernel Based Maximum Entropy Inverse Reinforcement Learning for Mean-Field Games

Este artigo propõe um método de Aprendizado por Reforço Inverso baseado em Máxima Entropia e Espaços de Hilbert de Reprodutores de Kernel (RKHS) para Jogos de Campo Médio, permitindo a inferência de funções de recompensa não lineares e ricas em dados infinitos e finitos, com garantias teóricas de convergência e superioridade prática em cenários como roteamento de tráfego.

Berkay Anahtarci, Can Deha Kariksiz, Naci Saldi2026-03-06🔢 math

The inverse initial data problem for anisotropic Navier-Stokes equations via Legendre time reduction method

Este artigo propõe um novo quadro computacional baseado na redução dimensional do tempo via base de Legendre para resolver o problema inverso de reconstrução do campo de velocidade inicial nas equações de Navier-Stokes anisotrópicas compressíveis a partir de observações de contorno ruidosas, demonstrando eficácia e robustez em experimentos numéricos.

Cong B. Van, Thuy T. Le, Loc H. Nguyen2026-03-06🔢 math

Lp\mathrm{L}^p-based Sobolev theory on closed manifolds of minimal regularity: Vector-valued problems

Este artigo estabelece a teoria de regularidade baseada em Lp\mathrm{L}^p e a boa colocação para equações diferenciais parciais vetoriais em fluidos em variedades fechadas de regularidade mínima, utilizando uma abordagem variacional parametrizante para provar resultados de existência e regularidade para os operadores de Stokes e Navier-Stokes.

Gonzalo A. Benavides, Ricardo H. Nochetto, Mansur Shakipov2026-03-06🔢 math

Inertial accelerated primal-dual algorithms for non-smooth convex optimization problems with linear equality constraints

Este artigo propõe e analisa um algoritmo primal-dual acelerado por inércia, derivado de um sistema diferencial de segunda ordem com escalonamento temporal, para resolver problemas de otimização convexa não suave com restrições de igualdade linear, estabelecendo taxas de convergência rápidas para o gap primal-dual, a violação de viabilidade e o resíduo do objetivo, além de validar sua eficácia por meio de experimentos numéricos.

Huan Zhang, Xiangkai Sun, Shengjie Li + 1 more2026-03-06🔢 math

A Proximal Stochastic Gradient Method with Adaptive Step Size and Variance Reduction for Convex Composite Optimization

Este artigo propõe um algoritmo de gradiente estocástico proximal com redução de variância e passo adaptativo para otimização convexa composta, estabelecendo sua convergência forte, taxa de convergência de O(1/k) O(\sqrt{1/k}) e validando sua eficácia em experimentos numéricos de regressão logística e Lasso.

Changjie Fang, Hao Yang, Shenglan Chen2026-03-06🔢 math

Characterization of foliations via disintegration maps

Este artigo apresenta uma abordagem inovadora para analisar a relação entre os suportes de medidas condicionais e sua disposição geométrica no espaço de Wasserstein por meio do mapa de desintegração, estabelecendo critérios para identificar foliações métrico-mensuráveis e ilustrando a aplicação desse quadro no estudo de perturbações de foliações induzidas por desintegração.

Florentin Münch, Renata Possobon, Christian S. Rodrigues2026-03-06🔢 math

Bounds for the Permutation Flowshop Scheduling Problem: New Framework and Theoretical Insights

Este trabalho propõe um novo quadro teórico baseado em formulação matricial para derivar limites superiores e inferiores no Problema de Agendamento de Fluxo de Trabalho Permutacional, demonstrando melhorias significativas nos limites para a maioria das instâncias de benchmark e fornecendo novos insights assintóticos sobre conjecturas de Taillard.

J. A. Alejandro-Soto, Carlos Segura, Joel Antonio Trejo-Sanchez2026-03-06🔢 math

Quantitative convergence of trained single layer neural networks to Gaussian processes

Este artigo estabelece limites superiores explícitos para a distância de Wasserstein quadrática entre redes neurais de camada única treinadas por descida de gradiente e seus processos gaussianos associados no limite de largura infinita, demonstrando um decaimento polinomial do erro de aproximação em função da largura da rede e quantificando a influência dos parâmetros arquitetônicos e da dinâmica de treinamento.

Eloy Mosig, Andrea Agazzi, Dario Trevisan2026-03-06🔢 math