We propose a new asymptotic expansion for the fractional $p$-Laplacian with precise computations of the errors. Our approximation is shown to hold in the whole range $p\in(1,\infty)$ and $s\in(0,1)$, with errors that do not degenerate as $s\to1^-$. These are super-quadratic for a wide range of $p$ (better far from the zero gradient points), and optimal in most cases. One of the main ideas here is the fact that the singular part of the integral representation of the fractional $p$-Laplacian behaves like a local $p$-Laplacian with a weight correction. As a consequence of this, we also revisit a previous asymptotic expansion for the classical $p$-Laplacian, whose error orders were not known. Based on the previous result, we propose monotone finite difference approximations of the fractional $p$-Laplacian with explicit weights and we obtain the error estimates. Finally, we introduce explicit finite difference schemes for the associated parabolic problem in $\mathbb{R}^d$ and show that it is stable, monotone and convergent in the context of viscosity solutions. An interesting feature is the fact that the stability condition improves with the regularity of the initial data.


翻译:我们建议对分数 $ p$- laplacian 进行新的微调扩张, 并精确计算错误。 我们的近似值显示在美元( 1,\ infty) 美元和 $( 0, 1) 美元( 0. 1) 美元之间, 错误不会退化为 $( 10, 1美元 ) 。 这些错误对于范围很广( 远离零梯度点) 来说是超偏差的。 这里的主要想法之一是, 分数 $ p 美元- Laplacian 整体代表的单部分表现为本地的 $ p$- Laplacean 和重量校正校正。 因此, 我们还重新审视了古典的 $ $- Laplaceian 的偏差扩张。 根据上一个结果, 我们提出了分数 $- Laplacecian 的最小差差差比值的单数, 并且我们获得了错误估计。 最后, 我们引入了明确的定值差异方案, 与相联的 Parapace $ 和 lasmacol 初步 度 度 度 度 度 度 度 度 度 度 比较 比较 比较 的解度, 是 的精确度 度 的 的 的 的 度 的 度 度 度 的 度 度 度 度 度 的 度 度 度 度 度 度 的 。</s>

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
专知会员服务
50+阅读 · 2020年12月14日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
VIP会员
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员