Самообучающиеся решатели: оптимизация точности вычислений линейных уравнений

Новый подход позволяет автоматически настраивать точность вычислений в итерационных методах решения линейных уравнений, повышая эффективность и снижая вычислительные затраты.


![В рамках исследования финансовой модели ценообразования опционов показано, что изменение параметра β в модифицированной модели, при [latex]\beta = 0[/latex], приводит к нормальному распределению, лежащему в основе модели Блэка-Шоулза, в то время как при других значениях параметра, при заданных [latex]r = 10\%[/latex], [latex]S_0 = 20[/latex], [latex]K = 20[/latex], [latex]T = 1 \text{ год}[/latex] и [latex]\sigma = 25\%[/latex], наблюдается изменение цены колл-опциона.](https://arxiv.org/html/2601.00293v1/x3.png)
![Предлагается методология ALMAB-DC, объединяющая активное обучение, мульти-вооружённые бандиты и распределённые вычисления посредством байесовского суррогатного моделирования для оптимизации процессов принятия решений и повышения эффективности вычислений, что позволяет достичь высокой точности и масштабируемости в сложных задачах, где [latex]P(y|x)[/latex] оценивается с использованием суррогатной модели.](https://arxiv.org/html/2601.00615v1/x1.png)