[论文解读] Solving mean field rough differential equations

Ismaël Bailleul, Rémi Catellier+1 more|arXiv (Cornell University)|Feb 16, 2018

Probabilistic and Robust Engineering Design参考文献 33被引用 5

一句话总结

本文通过新颖的粗糙路径框架与 Wasserstein 空间上的 Lions 微分法，为漂移项与扩散项均包含完整均场相互作用的均场粗糙微分方程（MFRDEs）建立了稳健的解理论。核心贡献是在一般条件下实现适定性，通过无限维设定下的控制路径技术，将经典 Itô 微分法推广至具有测度依赖系数的粗糙路径。

ABSTRACT

We provide in this work a robust solution theory for random rough differential equations of mean field type $$ dX_t = V(X_t,\mathcal{L}(X_t))dt + F(X_t,\mathcal{L}(X_t))dW_t, $$ where $W$ is a random rough path and $\mathcal{L}(X_t)$ stands for the law of $X_t$, with mean field interaction in both the drift and diffusivity. The analysis requires the introduction of a new rough path-like setting and an associated notion of controlled path. We use crucially Lions' approach to differential calculus on Wasserstein space along the way.

研究动机与目标

• 发展一种解理论，用于漂移项与扩散项均依赖于解的分布的均场粗糙微分方程。
• 通过引入一种新型粗糙路径类设定与 Wasserstein 空间中的控制路径，克服 Itô 微分法在处理粗糙扩散项时的局限性。
• 推广先前结果中对扩散项与解分布独立或漂移项线性依赖的限制条件。
• 基于 Lions 对概率测度的微分方法，在一般正则性条件下建立 MFRDE 的适定性与混沌传播。
• 为受粗糙噪声驱动且含均场相互作用的大规模相互作用系统建模提供严谨框架。

提出的方法

• 通过 F̂(x, Z) = F(x, L(Z)) 将系数 F 从 R^d × P_2(R^d) 提升为 R^d × L^2(Ω, F, P; R^d) 上的函数，实现无限维表示。
• 将解 X_t 的分布视为 L^2 中的随机变量 X_t(·)，使方程重写为 dX_t = F̂(X_t(ω), X_t(·)) dW_t。
• 引入一种适配于具有测度依赖性的粗糙路径设定的新控制路径概念，以支持粗糙积分的分析。
• 利用 Lions 在 Wasserstein 空间上的微分法，对依赖于随机变量分布的函数进行微分，这对处理均场相互作用至关重要。
• 应用取值于希尔伯特空间的粗糙路径理论，利用粗糙路径 W 的再生希尔伯特空间 H。
• 通过在对偶空间上使用尾部估计与 Jensen 不等式，建立关键量的矩界与次指数可积性。

实验结果

研究问题

• RQ1 当漂移项与扩散项均依赖于解的分布时，能否为均场粗糙微分方程建立稳健的解理论？
• RQ2 如何将经典 Itô 微分法框架扩展至处理具有均场依赖性的粗糙扩散项？
• RQ3 为容纳扩散项与漂移项中的均场相互作用，需要何种新型粗糙路径类结构？
• RQ4 如何将 Lions 在 Wasserstein 空间上的微分法适配至粗糙路径设定，以处理测度依赖系数？
• RQ5 在何种条件下可保证此类方程的适定性与混沌传播？

主要发现

• 本文建立了漂移项与扩散项均含完整均场相互作用的均场粗糙微分方程的适定性，推广了先前要求扩散项与解分布独立的结果。
• 提出一种新型粗糙路径类框架，包含适配于测度依赖系数与无限维状态空间的控制路径概念。
• 通过在控制过程空间中的不动点论证构造解，利用粗糙路径增量的次指数可积性推导出矩界。
• 该方法确保了相关粒子系统的混沌传播，将经典结果推广至粗糙路径框架。
• 分析依赖于将系数提升至随机变量的 L^2 空间，并运用 Lions 在 Wasserstein 空间上的微分计算。
• 关键技术结果是粗糙路径变差范数的次指数可积性，这使得解理论中可采用压缩映射方法。