[论文解读] Determining a stationary mean field game system from full/partial boundary measurement

Minghui Ding, Hongyu Liu+1 more|arXiv (Cornell University)|Aug 13, 2023

Stochastic processes and financial applications被引用 5

一句话总结

本文通过利用完整或部分边界测量的全息边界映射（Dirichlet-to-Neumann, DN），建立了平稳均场博弈（MFG）系统中折扣函数 $ r(x), k(x) $ 与代价函数 $ F(x,m) $ 的唯一可辨识性。研究提出了一种增强型高阶线性化方法，结合复几何光学（CGO）解与Runge逼近，以处理非线性耦合、概率测度约束及有限数据问题，在一般条件下证明了唯一性。

ABSTRACT

In this paper, we propose and study the utilization of the Dirichlet-to-Neumann (DN) map to uniquely identify the discount functions $r, k$ and cost function $F$ in a stationary mean field game (MFG) system. This study features several technical novelties that make it highly intriguing and challenging. Firstly, it involves a coupling of two nonlinear elliptic partial differential equations. Secondly, the simultaneous recovery of multiple parameters poses a significant implementation challenge. Thirdly, there is the probability measure constraint of the coupled equations to consider. Finally, the limited information available from partial boundary measurements adds another layer of complexity to the problem. Considering these challenges and problems, we present an enhanced higher-order linearization method to tackle the inverse problem related to the MFG system. Our proposed approach involves linearizing around a pair of zero solutions and fulfilling the probability measurement constraint by adjusting the positive input at the boundary. It is worth emphasizing that this technique is not only applicable for uniquely identifying multiple parameters using full-boundary measurements but also highly effective for utilizing partial-boundary measurements.

研究动机与目标

• 解决从边界测量中识别平稳均场博弈系统中多个参数——$ r(x), k(x), F(x,m) $——的反问题。
• 利用完整或部分边界上的Dirichlet-to-Neumann（DN）映射，建立这些参数的唯一可辨识性。
• 克服MFG系统中两个椭圆型PDE的非线性耦合、对 $ m $ 的概率测度约束以及部分测量带来的信息有限性等挑战。
• 提出一种新颖的高阶线性化框架，以保持代理分布 $ m $ 的非负性。
• 将反问题方法的适用性扩展至部分边界数据，这在实际传感场景中更具现实意义。

提出的方法

• 通过在零解附近进行线性化，提出一种增强型高阶线性化方法，以解耦非线性MFG系统。
• 利用具有特殊相位函数的复几何光学（CGO）解探测系统并提取参数信息。
• 应用Runge逼近将紧支集解延拓至整个定义域，实现全局恢复。
• 通过确保边界数据 $ g > 0 $ 来施加概率测度约束，从而保证 $ m \geq 0 $ 在 $ \Omega $ 内成立。
• 采用三步策略：一阶线性化用于恢复 $ r $，二阶线性化用于恢复 $ F $，并通过归纳法推广至高阶项。
• 利用傅里叶分析与Paley-Wiener定理，证明若傅里叶变换消失，则参数差异为零，从而证明唯一性。

实验结果

研究问题

• RQ1 能否从完整边界上的DN映射唯一确定折扣函数 $ r(x) $、$ k(x) $ 及代价函数 $ F(x,m) $？
• RQ2 当仅能获取部分边界测量时，唯一可辨识性是否依然成立？
• RQ3 在MFG系统中，如何处理非线性耦合与概率测度约束对反参数恢复的影响？
• RQ4 需要哪些新颖的分析技术，才能从有限数据中同时恢复多个非线性参数？
• RQ5 高阶线性化方法能否被调整以在保证唯一性的同时，保持物理约束 $ m \geq 0 $？

主要发现

• 当在完整边界上测量时，Dirichlet-to-Neumann映射可唯一确定平稳MFG系统中的参数 $ r(x), k(x), F(x,m) $。
• 在部分边界测量下，唯一可辨识性也得以建立，将反问题方法的适用范围扩展至更现实的场景。
• 该方法通过确保边界数据 $ g > 0 $，成功保持了代理分布 $ m $ 的非负性，从而保证 $ m \geq 0 $ 在 $ \Omega $ 内成立。
• 通过高阶线性化与CGO解，论文证明了 $ r_1 = r_2 $ 在 $ \Omega $ 内成立，方法是证明 $ r_1 - r_2 $ 的傅里叶变换在某个开锥内消失，从而推出 $ r_1 \equiv r_2 $。
• 由于 $ (F_1^{(2)} - F_2^{(2)})m^{(1)} $ 的傅里叶变换消失，且 $ m^{(1)} > 0 $，可推出 $ F_1^{(2)} \equiv F_2^{(2)} $，进而得出 $ F_1 \equiv F_2 $。
• 通过数学归纳法，该方法可推广至所有阶次，证明对所有 $ z \in \mathbb{R}^+ $ 有 $ F_1(x,z) = F_2(x,z) $，从而确立了 $ F $ 的完全唯一性。