《Fractal and Fractional》:Some New Fractional Boole’s Inequalities with Machine Learning Validations
编辑推荐:
当前工作提出了一类新的加权Boole型分数阶不等式,通过将Riemann–Liouville(??)分数阶积分算子与对称权重函数相结合来构建。与依赖六阶导数有界性的经典Boole误差估计不同,本研究方法基于一个新推导的加权分数阶恒等式,这是该研究的关键分析工具
当前工作提出了一类新的加权Boole型分数阶不等式,通过将Riemann–Liouville(??)分数阶积分算子与对称权重函数相结合来构建。与依赖六阶导数有界性的经典Boole误差估计不同,本研究方法基于一个新推导的加权分数阶恒等式,这是该研究的关键分析工具。基于该恒等式,针对几类特定函数族建立了一系列不等式:凸函数、s-凸函数、有界函数、Lipschitz连续函数和有界变差函数,从而在显著更弱的光滑性假设下提供了有意义的误差界。通过提供所提不等式极限情况的若干例子,展示了所提框架的灵活性,表明所推导的不等式统一并扩展了文献中已有的结果。此外,还介绍了对特殊均值和复合求积规则的一些有趣应用。为检验不等式,研究人员构建了一个计算框架,并使用六个具有多项式、指数和双曲增长的凸函数生成了一个包含5400个样本的结构化数据集。对于所有生成的样本,数值验证了左侧()和右侧()之间的值,并在整个计算域内数值上保持松弛变量非负。数据驱动预测与分析结果之间良好的一致性证实了所提框架的适用性,并为分数阶不等式理论、数值逼近和可解释人工智能之间提供了逻辑桥梁。
**分数阶Boole型不等式的新进展与机器学习验证**
不等式理论在非线性分析中扮演着核心角色,广泛应用于微分方程、优化、运筹学及数值误差分析等领域。经典Boole求积规则是一种精确于最高四次多项式的五点Newton–Cotes公式,但其传统误差估计要求被积函数具有六阶连续可微性,这一强光滑性假设严重限制了其在实际问题中的适用范围。为突破这一瓶颈,研究者们长期致力于在更弱的正则性条件下建立Boole型不等式。近年来,分数阶微积分因其能够描述记忆依赖和遗传现象,为不等式理论提供了新的研究维度。将权重函数引入分数阶不等式,使得对加权分数阶积分的逼近成为可能,但现有研究多集中于特定函数类或特定算子,缺乏统一框架。基于此,本研究旨在构建一类新的加权分数阶Boole型不等式,利用Riemann–Liouville(??)分数阶积分算子与对称权重函数,在凸性、s-凸性、有界性、Lipschitz连续性和有界变差等弱假设下推导误差界,从而统一并扩展已有结果,并通过机器学习方法验证其数值有效性。
研究人员首先引入了一个新的加权分数阶恒等式(Lemma 1),该恒等式建立了经典Boole型求积结构与分数阶积分算子之间的自然对应关系,成为后续推导的核心工具。基于此恒等式,研究人员针对不同函数类建立了多个不等式定理:对于s-凸函数,分别利用s-凸性定义、H?lder不等式和幂平均不等式,在Theorem 4、Theorem 5和Theorem 6中获得了不同形式的误差界;对于有界函数,在Theorem 7中利用有界性条件推导了不等式;对于L-Lipschitz连续函数,在Theorem 8中通过Lipschitz条件获得了误差估计;对于有界变差函数,在Theorem 9中利用变差概念和分部积分法建立了不等式。这些结果均以加权分数阶形式呈现,当分数阶参数和权重函数取特定值时,可退化为经典Boole不等式或文献中的已知结论。此外,研究人员还将所提不等式应用于特殊均值(如算术均值、广义对数均值)和复合加权分数阶求积规则,并针对对数权重、Jacobi权重和Chebyshev权重等特殊积分类型给出了具体误差近似公式。
在技术方法上,研究人员基于Theorem 4构建了一个合成数据集,包含5400个样本,每个样本由区间端点、分数阶阶数以及六个凸测试函数(包括多项式、指数和双曲增长类型)随机生成。数值评估了不等式的精确左侧和右侧,并记录了20个变量中的17个作为预测特征。随后,采用符号回归(Symbolic Regression)和极端梯度提升(XGBoost)两种互补的机器学习模型,对精确表达式进行近似预测,并使用SHAP(SHapley Additive exPlanations)分析评估各特征的贡献。模型性能通过均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)进行量化,并执行五折交叉验证以确保泛化能力。
研究结果部分,Theorem 4证明了在s-凸性假设下,不等式(7)成立,其中系数和项显式给出,且当分数阶参数和权重函数特殊化时,可恢复经典Boole不等式。Theorem 5在s-凸且满足特定条件时,利用H?lder不等式获得不等式(8),并通过数值示例(Example 1)和图形(Figure 1、Figure 2)验证了其有效性。Theorem 6通过幂平均不等式建立了不等式(9),进一步扩展了误差界。Theorem 7针对有界函数,在满足有界性条件下,推导了不等式(10),给出了基于总变差的误差估计。Theorem 8针对L-Lipschitz函数,利用Lipschitz条件获得了不等式(12)。Theorem 9针对有界变差函数,通过分部积分和变差性质,建立了不等式(13),其中为总变差。这些定理共同构成了一个统一的分数阶Boole型不等式框架,所有不等式均基于一阶导数假设,显著弱于经典六阶导数要求。
在数值实验部分,全局验证显示所有5400个样本均满足不等式条件,即左侧值小于等于右侧值,且松弛变量在整个计算域内非负(Figure 4)。针对六个测试函数,随着分数阶阶数变化,不等式始终成立,但快速增长函数(如和)的数值范围更大(Figure 5)。松弛变量的分布表明,该界对于快速增长函数更宽松,而对平缓函数更紧致(Figure 6)。在机器学习预测中,符号回归在所有指标上均优于XGBoost:对于精确左侧,符号回归的R2为,RMSE和MAE分别为和,而XGBoost的R2为,RMSE和MAE分别为和;对于精确右侧,符号回归的R2为,RMSE和MAE分别为和,XGBoost的R2为,RMSE和MAE分别为和。这表明符号回归在捕捉非线性结构方面具有更高准确性和可解释性。SHAP分析揭示,右端点是预测精确左侧和右侧的最重要特征,而分数阶阶数的影响相对较小,且该模式在六个测试函数中保持一致(Figure 13–Figure 18)。
讨论部分指出,所提框架的灵活性在于,通过选择不同的权重函数和分数阶参数,可以生成多种已知不等式,并统一了分数阶与经典结果。复合分数阶Boole规则为数值逼近具有弱奇异核的分数阶积分提供了更精确的工具,且误差界在一阶可微假设下获得,优于经典六阶导数要求。结论部分总结了研究贡献:引入了一类新的加权分数阶Boole型不等式,基于新恒等式在多种弱假设下推导了误差界,并通过机器学习验证了其数值一致性,连接了分数阶微积分、数值逼近和可解释人工智能。未来研究方向包括扩展到其他广义分数阶算子(如Atangana–Baleanu算子)、更广泛的权重函数类、高阶求积结构,以及开发基于机器学习的不等式计算器以降低计算成本。