![В исследовании сравнивается эффективность различных алгоритмов - PG-EXTRA, SONATA, adaPDM, adaPDM2, global\_DATOS и local\_DATOS - при решении задач линейной регрессии с эластичной сетью регуляризации на графах Эрдеша-Рени, демонстрируя, что с увеличением числа итераций наблюдается снижение нормы [latex]\|\mathbf{X}^{k}-\mathbf{X}^{\*}\|^{2}[/latex] для всех методов, причём характер сходимости различается в зависимости от вероятности появления ребра графа, установленной на уровне p=0.1, p=0.5 и p=0.9.](https://arxiv.org/html/2602.17545v1/siam_sim/siam_mse_9.png)
В статье представлен инновационный подход к решению сложных оптимизационных задач в распределенных системах, обеспечивающий быструю сходимость без использования глобальной информации.
Новое исследование предлагает эффективные стратегии локальной минимизации рисков для финансовых моделей, основанных на аддитивных процессах с изменяющимися во времени мерами Леви.
![В рамках фильтрации Калмана-Бюси, средние апостериорные траектории [latex] s_{t} [/latex] демонстрируют, что увеличение уверенности в оценке состояния [latex] |m_{t}| [/latex] приводит к увеличению случайности оптимальной политики, отражаемому дисперсией [latex] \varsigma^{*2}(t,m_{t}) [/latex], при параметрах [latex] P_{0}=1 [/latex], [latex] T=1 [/latex], [latex] \tau=1 [/latex], [latex] \sigma=0.2 [/latex] и [latex] \rho=1 [/latex].](https://arxiv.org/html/2602.16862v1/x1.png)
Исследование показывает, как энтропийная регуляризация в байесовском обучении повышает устойчивость стратегий управления портфелем в условиях неопределенности.
Исследователи предлагают инновационную систему обучения, позволяющую значительно повысить качество рассуждений больших языковых моделей и сделать их более устойчивыми к ошибкам.
![Метод L-TFFT демонстрирует превосходство над EXP-FT в области нижнего хвоста распределения вознаграждений [latex]q\in[0,0.2][/latex], что подтверждается анализом обратной кумулятивной функции распределения и указывает на его более эффективное управление рисками в критических сценариях.](https://arxiv.org/html/2602.16796v1/text-to-image/rewards_quantile_delta.png)
Исследователи предлагают эффективный метод оптимизации, позволяющий учитывать «хвосты» распределений и достигать превосходных результатов в задачах генерации данных.