arXiv:2510.14096v2 Announce Type: replace 
Abstract: Transfer entropy measures directed information flow in time series, and it has become a fundamental quantity in applications spanning neuroscience, finance, and complex systems analysis. However, existing estimation methods suffer from the curse of dimensionality, require restrictive distributional assumptions, or need exponentially large datasets for reliable convergence. We address these limitations in the literature by proposing TENDE (Transfer Entropy Neural Diffusion Estimation), a novel approach that leverages score-based diffusion models to estimate transfer entropy through conditional mutual information. By learning score functions of the relevant conditional distributions, TENDE provides flexible, scalable estimation while making minimal assumptions about the underlying data-generating process. We demonstrate superior accuracy and robustness compared to existing neural estimators and other state-of-the-art approaches across synthetic benchmarks and real data.

تقديم TENDE، وهي طريقة جديدة لتقدير الانتروبيا الانتقالية، يمثل تقدمًا كبيرًا في تحليل تدفق المعلومات الموجه في السلاسل الزمنية. تعالج هذه الابتكار القيود الحرجة للطرق الحالية، مثل لعنة الأبعاد والحاجة إلى مجموعات بيانات كبيرة، مما يجعلها أكثر سهولة للتطبيقات في مجالات مثل علم الأعصاب والتمويل. من خلال تحسين موثوقية هذه التقديرات، يمكن أن تعزز TENDE فهمنا للأنظمة المعقدة وديناميكياتها.

La introducción de TENDE, un nuevo método para estimar la entropía de transferencia, marca un avance significativo en el análisis del flujo de información dirigido en series temporales. Esta innovación aborda limitaciones críticas de los métodos existentes, como la maldición de la dimensionalidad y la necesidad de grandes conjuntos de datos, haciéndola más accesible para aplicaciones en campos como la neurociencia y las finanzas. Al mejorar la fiabilidad de estas estimaciones, TENDE podría enriquecer nuestra comprensión de los sistemas complejos y su dinámica.

L'introduction de TENDE, une nouvelle méthode d'estimation de l'entropie de transfert, représente une avancée significative dans l'analyse du flux d'information dirigé dans les séries temporelles. Cette innovation répond à des limitations critiques des méthodes existantes, telles que la malédiction de la dimensionnalité et le besoin de grands ensembles de données, la rendant plus accessible pour des applications dans des domaines comme les neurosciences et la finance. En améliorant la fiabilité de ces estimations, TENDE pourrait enrichir notre compréhension des systèmes complexes et de leur dynamique.

The introduction of TENDE, a new method for estimating transfer entropy, marks a significant advancement in analyzing directed information flow in time series. This innovation addresses critical limitations of existing methods, such as the curse of dimensionality and the need for large datasets, making it more accessible for applications in fields like neuroscience and finance. By improving the reliability of these estimations, TENDE could enhance our understanding of complex systems and their dynamics.

TENDE: Transfer Entropy Neural Diffusion Estimation

arXiv:2512.14991v1 Announce Type: new 
Abstract: We study reinforcement learning for controlled diffusion processes with unbounded continuous state spaces, bounded continuous actions, and polynomially growing rewards: settings that arise naturally in finance, economics, and operations research. To overcome the challenges of continuous and high-dimensional domains, we introduce a model-based algorithm that adaptively partitions the joint state-action space. The algorithm maintains estimators of drift, volatility, and rewards within each partition, refining the discretization whenever estimation bias exceeds statistical confidence. This adaptive scheme balances exploration and approximation, enabling efficient learning in unbounded domains. Our analysis establishes regret bounds that depend on the problem horizon, state dimension, reward growth order, and a newly defined notion of zooming dimension tailored to unbounded diffusion processes. The bounds recover existing results for bounded settings as a special case, while extending theoretical guarantees to a broader class of diffusion-type problems. Finally, we validate the effectiveness of our approach through numerical experiments, including applications to high-dimensional problems such as multi-asset mean-variance portfolio selection.

تم تقديم خوارزمية جديدة قائمة على النموذج للتعلم المعزز في عمليات الانتشار الخاضعة للرقابة، تركز على فضاءات الحالة المستمرة غير المحدودة والمكافآت التي تنمو بشكل متعدد الحدود. تقوم هذه الخوارزمية بتقسيم فضاء الحالة-الإجراء المشترك بشكل تكيفي وتقوم بتحسين تقديرات الانجراف والتقلبات والمكافآت، مما يعالج التحديات في المجالات عالية الأبعاد.

Se ha introducido un nuevo algoritmo basado en modelos para el aprendizaje por refuerzo en procesos de difusión controlados, centrándose en espacios de estado continuos no acotados y recompensas de crecimiento polinómico. Este algoritmo particiona de manera adaptativa el espacio conjunto de estado-acción y refina los estimadores de deriva, volatilidad y recompensas, abordando desafíos en dominios de alta dimensión.

Un nouvel algorithme basé sur un modèle pour l'apprentissage par renforcement dans des processus de diffusion contrôlés a été introduit, se concentrant sur des espaces d'état continus non bornés et des récompenses croissantes polynomiales. Cet algorithme partitionne de manière adaptative l'espace d'état-action conjoint et affine les estimateurs de dérive, de volatilité et de récompenses, abordant les défis dans des domaines de haute dimension.

A new model-based algorithm for reinforcement learning in controlled diffusion processes has been introduced, focusing on unbounded continuous state spaces and polynomially growing rewards. This algorithm adaptively partitions the joint state-action space and refines estimators of drift, volatility, and rewards, addressing challenges in high-dimensional domains.

TENDE: Transfer Entropy Neural Diffusion Estimation

Was this article worth reading? Share it

LucidQuery AI

Betron.io

The Visualizer

MicroEstimates

Ticker Nerd Crypto

DeepTracker

Ready to build your own newsroom?