🔢 mathematics

Encoded Forward Backward Stochastic Neural Network for High-Dimensional Backward Stochastic Differential Equations and Parabolic Partial Differential Equations

本文提出了一种编码前向 - 后向随机神经网络（FBSNN），该网络利用基于张量的输入编码和卷积层来提高求解高维后向随机微分方程及相关抛物型偏微分方程的效率与精度，并通过 Black-Scholes-Barenblatt 和 Hamilton-Jacobi-Bellman 基准测试验证了该方法的成效。

原作者： Zhao Zhang, Zhuopeng Hou

发布于 2026-04-29

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Zhao Zhang, Zhuopeng Hou

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你正在试图预测一场混沌风暴的未来路径。在数学和金融的世界里，这种“风暴”由一种称为**反向随机微分方程（BSDE）**的数学对象来表示。这些方程在定价复杂金融期权或管理风险等方面极其有用，但它们 notoriously 难以求解，尤其是当你必须同时追踪数百个不同变量时（例如同时追踪 100 种不同股票的价格）。这就是所谓的“维度灾难”——你添加的变量越多，传统计算机处理该问题的难度就越大。

近年来，科学家们开始利用**人工智能（深度学习）**来解决这些问题。将一种标准的人工智能方法（称为“Vanilla FBSNN"）想象成一名学生试图通过逐字逐行地阅读一本厚重的教科书来学习。这种方法行得通，但速度缓慢，并且需要大量内存来记住每一个细节。

新构想：将数据转化为图像

本文的作者赵张和侯卓鹏提出了一种巧妙的 AI 训练新方法。他们决定不再向计算机输入一长串数字（如电子表格），而是将这些数据编码成一种看起来像图像的格式。

以下是类比：

旧方法（Vanilla FBSNN）： 想象你试图通过在一个冗长枯燥的文本文件中列出每一条街道名称和门牌号，向朋友描述一座城市。朋友必须读完整个列表才能理解布局。
新方法（Encoded FBSNN）： 你不再提供列表，而是递给朋友一张地图（图像）。他们能瞬间看到模式、街区以及街道如何连接，因为他们的头脑（在本案中即卷积神经网络）专为处理图像而设计。

工作原理

编码： 研究人员将时间（事件发生的时间）和空间（变量所在的位置）封装成一个“张量”。这就像将一张平铺的纸折叠成一个具有多个层（通道）的三维块，就像彩色图像拥有红、绿、蓝层一样。
CNN（卷积神经网络）： 他们使用一种专为图像设计的特殊 AI 大脑（CNN）来读取这张“数学地图”。由于 CNN 擅长在图像中识别模式（例如在照片中认出猫），它们在识别这些复杂数学“地图”中的模式方面也出奇地出色。
效率： 由于 AI 可以一次性查看整张“图片”，并在图像间共享其学习成果（这一概念称为“权重共享”），因此它学习速度更快，且完成工作所需的“神经元”（脑细胞）更少。

结果：更快且更智能

该团队使用两个著名且困难的数学难题，将新的"Encoded FBSNN"与旧的"Vanilla"方法进行了测试：

Black-Scholes-Barenblatt 方程： 一种用于在市场不确定时给金融期权定价的复杂模型。
Hamilton-Jacobi-Bellman 方程： 一种用于在具有许多变量的博弈中寻找最佳策略的模型。

他们的发现：

速度： 新方法在约三分之一的时间（或训练步数）内就达到了旧方法所需的高精度水平。
精度： 新方法犯的错误更少。在一次测试中，其精度比旧方法高出40% 以上；在另一次测试中，其精度比旧方法高出100% 以上。
成本： 实现这些结果所需的计算能力更少。

核心结论

该论文声称，通过简单地改变我们向 AI 输入数据的方式——将数字列表转化为结构化的“图像”——我们可以更快、更准确地解决非常困难的高维数学问题。这是对现有工具的一项简单升级，它让现代 AI 能够更高效地工作，而无需发明全新的数学理论。

注：该论文严格专注于求解这些数学方程，并未声称将其应用于除上述基准测试之外的具体临床治疗或新金融产品。

以下是论文《用于高维倒向随机微分方程和抛物型偏微分方程的编码前向倒向随机神经网络》的详细技术总结。

1. 问题陈述

本文解决了求解**高维倒向随机微分方程（BSDEs）及其对应的半线性抛物型偏微分方程（PDEs）**的挑战。

背景：BSDEs 通过非线性 Feynman-Kac 公式为 PDEs 提供概率解。然而，传统的数值方法（如有限差分法或蒙特卡洛法）受困于“维数灾难”，随着空间维度的增加，计算变得不可行。
当前局限性：最近的深度学习方法，特别是DeepBSDE和FBSNN（前向倒向随机神经网络），已显示出潜力。然而，这些方法通常依赖于全连接网络（FCNs），其中每个输入维度（时间和空间）仅由单个神经元表示。
- FCNs 往往难以在高维情况下有效捕捉空间和时间相关性。
- 它们需要大量可训练参数，导致过拟合和收敛速度变慢。
- 在某些变体（如 DeepBSDE）中，网络必须针对不同的时间快照重新训练，而 FBSNN 虽然共享权重，但仍使用低效的 FCN 结构。

2. 方法论

作者提出了一种新颖的编码 FBSNN算法，通过将输入数据转换为类图像张量格式，用**卷积神经网络（CNNs）**替代标准的全连接网络。

A. 理论基础

该方法求解解耦的 FBSDE 系统：
$\begin{aligned} dX_t &= \mu(t, X_t)dt + \sigma(t, X_t)dW_t \\ dY_t &= -f(t, X_t, Y_t, Z_t)dt + Z_t dW_t \end{aligned}$
其中 $Y_t = u(t, X_t)$ 且 $Z_t = \nabla u(t, X_t)\sigma(t, X_t)$ 。目标是使用神经网络 $u_\Theta$ 近似函数 $u(t, x)$ 。

B. 编码 FBSNN 算法

核心创新在于将输入 $(t, X_t)$ 编码为适合 CNN 的张量结构：

时间编码：
- 标量时间坐标 $t$ 使用正弦 - 余弦位置编码（类似于 Transformer）进行转换。
- 这丰富了时间序列特征，将 $t$ 转换为向量，然后重塑为矩阵。
空间编码：
- 高维空间向量 $X_t$ （例如 100 维）被重塑为矩阵。
- 为了增加维度和特征丰富度，应用线性插值对矩阵进行上采样（例如，从 $10 \times 10$ 到 $20 \times 20$ ）。
张量构建：
- 编码后的时间矩阵和空间矩阵被拼接，形成一个2 通道张量（类似于具有 2 通道的 RGB 图像）。
- 该张量作为 CNN 的输入。
网络架构：
- 模型使用紧凑的 CNN 结构，包含两个卷积块（涉及 Conv2d、批归一化、激活函数和池化）以及一个线性输出块。
- 优势：CNN 利用局部连接和权重共享，与 FCNs 相比显著减少了可训练参数的数量。这减轻了过拟合并创造了更平滑的优化景观。
损失函数：
- 训练最小化复合损失函数：
  $L = \alpha_1 L_{BSDE} + \alpha_2 L_T + \alpha_3 L_G$
- $L_{BSDE}$ ：离散化 BSDE 方程的残差（使用 Euler-Maruyama 格式）。
- $L_T$ ：终端条件误差（ $|u(T, X_T) - g(X_T)|^2$ ）。
- $L_G$ ：终端梯度误差（ $|\nabla u(T, X_T) - \nabla g(X_T)|^2$ ）。
- 梯度通过计算图内的**自动微分（AD）**计算。

3. 主要贡献

新颖的编码策略：提出了一种将标量时间和高维空间向量编码为多通道张量的方法，使得 CNN 可用于 BSDE 近似。
通过 CNN 实现效率：证明了由于参数效率以及捕捉时空相关性的能力，CNN 在此类特定问题上优于 FCNs。
平衡的特征学习：编码机制确保时间和空间特征在维度上保持平衡，防止网络偏向某一类输入。
端到端可微性：编码块集成在计算图中，允许梯度在反向传播期间通过编码过程反向流动。

4. 实验结果

该算法在两个高维基准案例（100 维）上进行了验证：

A. Black-Scholes-Barenblatt (BSB) 方程

设置：50 个时间步，5,000 条样本轨迹。
性能：
- 收敛性：编码 FBSNN 在约 3,000 个 epoch内达到更低的训练损失，而普通 FBSNN 需要约 12,000 个 epoch。
- 准确性：编码 FBSNN 实现了0.61%的测试相对误差，而普通 FBSNN 为1.03%。
- 成本：编码 FBSNN 更快（16.2 分钟对比 21.4 分钟），并实现了超过 40% 的预测精度提升。

B. Hamilton–Jacobi–Bellman (HJB) 方程

设置：100 维随机最优控制问题。
性能：
- 收敛性：编码 FBSNN 收敛速度显著更快。
- 准确性：编码 FBSNN 实现了0.21%的测试相对误差，而普通 FBSNN 为0.44%。
- 改进：编码方法在更少的 epoch 和更低的计算成本下，显示出超过 100% 的精度提升。

C. 消融研究

“重塑 FBSNN"（仅简单重塑输入而无特定编码/插值）的表现不如完整的编码 FBSNN，证实了特定的编码策略（正弦 - 余弦 + 插值）对性能至关重要。

5. 意义

可扩展性：该方法为高维 PDEs 提供了可扩展的解决方案，这是数学金融（不确定性下的期权定价）和随机控制等领域的关键瓶颈。
范式转变：它弥合了图像处理技术（CNNs）与随机微分方程之间的鸿沟，表明将时空数据视为“图像”是求解 BSDEs 的有力启发式方法。
实用性：该算法为现有的 FBSNN 框架提供了一种简单而有效的扩展，仅需最小的架构更改（即编码层），即可在速度和精度上带来显著提升。
可复现性：作者已公开代码，促进了该领域的进一步研究和应用。

总之，编码 FBSNN代表了科学计算深度学习领域的重大进步，证明了通过智能输入编码利用 CNN 的归纳偏置，可以极大地提高求解高维随机问题的效率。