加载中...
本文提出Anticipatory Neural Jump-Diffusion (ANJD)生成框架,利用时间扩展的Marcus-signature在Signature RKHS中以AVNSG(自适应方差归一化签名几何)为度量,构造顺序化的MMD梯度流以匹配移动的路径律代理,并给出Nyström压缩实现、EMM(Euler–Maruyama–Marcus)混合积分与O(m^2)精度更新的可扩展方案,同时证明了在限制Skorokhod空间下的泛化界与Rademacher复杂度界定,为不连续路径的高阶非交换矩刻画与可控生成提供理论与算法保障 .
| 项目 | 主要结论 |
|---|---|
| 泛化界 | 对经验期望签名 \hat{\Phi}_{n,s},以概率 ≥1-δ, |
| Rademacher 复杂度 | 对函数类 {f: |
元数据与概览(引言与报告概览)
逐节深度解读(逐章精读与剖析)
图表与图形解读
估值分析(不适用)
风险因素评估(来自报告的模型与实现风险)
批判性视角与细微差别
结论性综合
2604.05008.pdf