由专家建议的预测引发的偏微分方程的数值解
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文研究了在线预测问题，采用优化控制和非线性偏微分方程的方法，揭示了双人博弈的最优策略。通过模型建立，探讨了专家预测的遗憾上界，并验证了基于潜力的预测策略的有效性。同时，研究了神经网络在高维偏微分方程中的应用，提出了新的算法以提高预测精度和效率。
🔎
延伸解读
理论框架：从博弈到偏微分方程
文章将在线预测问题构建为有限时间的零和博弈，并利用非线性偏微分方程的黏度解来刻画博弈价值。这种转化使得预测遗憾的上界可以通过求解特定PDE获得，为分析专家建议下的预测策略提供了严格的数学基础。
策略有效性：潜力函数与Blackwell条件
基于潜力函数的预测策略被证明满足Blackwell条件，这意味着该策略能够保证遗憾的常规上界。对于N=4的专家预测问题，显式求解连续极限后，策略达成渐进纳什均衡，验证了鞍点组合策略的最优性猜想。
神经网络求解高维PDE的进展
文章探讨了神经网络在数值分析学习问题中的影响，指出参数空间维度对模型性能影响微弱。提出的强化学习与神经网络结合的算法，在非线性Black-Scholes方程、Hamilton-Jacobi-Bellman方程等高维问题上取得了精确低误差的结果，并在金融领域得到验证。
❓
Q&A
专家建议在在线预测中如何影响决策？
专家建议通过优化控制和非线性偏微分方程的方法，帮助揭示双人博弈的最优策略。
什么是非线性偏微分方程的超级解？
非线性偏微分方程的超级解是通过极限推导得到的，提供了预测者遗憾的上限界。
如何构造在线预测问题的模型？
在线预测问题可以通过最优控制理论构造为有限时间的零和博弈问题，并解析特定偏微分方程得到上下界。
神经网络在高维偏微分方程中的应用效果如何？
神经网络通过逼近未知解的梯度，能够在高维偏微分方程中取得精确和低误差的结果。
强化学习如何用于解决偏微分方程？
强化学习结合神经网络的算法被提出，用于解决高维情况下的偏微分方程和反向随机微分方程。
如何证明专家预测策略的有效性？
通过显式解出非线性 PDE 和动态规划的连续极限，证明了策略达成渐进纳什均衡，验证了其有效性。
🏷️
