Buchumschlag

Digital Twin Data Modelling by Randomized Orthogonal Decomposition and Deep Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bistrian, Diana Alina, San, Omer, Navon, Ionel Michael
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Reduced Order Data-driven Twin Models for Nonlinear PDEs by Randomized Koopman Orthogonal Decomposition and Explainable Deep Learning
von: Bistrian, D. A.
Veröffentlicht: (2025)

Mathematical Considerations on Randomized Orthgonal Decomposition Method for Developing Twin Data Models
von: Bistrian, Diana A.
Veröffentlicht: (2024)

Reduced-order modelling based on Koopman operator theory
von: Bistrian, Diana A., et al.
Veröffentlicht: (2024)

Mathematics of Digital Twins and Transfer Learning for PDE Models
von: Zong, Yifei, et al.
Veröffentlicht: (2025)

Randomized Tensor Ring Decomposition and Its Application to Large-scale Data Reconstruction
von: Yuan, Longhao, et al.
Veröffentlicht: (2019)

Deep Network Trainability via Persistent Subspace Orthogonality
von: Massucco, Alex, et al.
Veröffentlicht: (2025)

An Orthogonal Polynomial Kernel-Based Machine Learning Model for Differential-Algebraic Equations
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

Faster Randomized Methods for Orthogonality Constrained Problems
von: Shustin, Boris, et al.
Veröffentlicht: (2021)

Structure-Preserving Digital Twins via Conditional Neural Whitney Forms
von: Kinch, Brooks, et al.
Veröffentlicht: (2025)

Mathematical Opportunities in Digital Twins (MATH-DT)
von: Antil, Harbir
Veröffentlicht: (2024)

Digital Twins in Coronary Artery Disease: A Mathematical Roadmap
von: Veneziani, Alessandro, et al.
Veröffentlicht: (2026)

SVD-PINNs: Transfer Learning of Physics-Informed Neural Networks via Singular Value Decomposition
von: Gao, Yihang, et al.
Veröffentlicht: (2022)

Targeted Digital Twin via Flow Map Learning and Its Application to Fluid Dynamics
von: Chen, Qifan, et al.
Veröffentlicht: (2025)

Recent and Upcoming Developments in Randomized Numerical Linear Algebra for Machine Learning
von: Dereziński, Michał, et al.
Veröffentlicht: (2024)

Tensor Decomposition Meets RKHS: Efficient Algorithms for Smooth and Misaligned Data
von: Larsen, Brett W., et al.
Veröffentlicht: (2024)

Matrix Decomposition and Applications
von: Lu, Jun
Veröffentlicht: (2022)

Neural-POD: A Plug-and-Play Neural Operator Framework for Infinite-Dimensional Functional Nonlinear Proper Orthogonal Decomposition
von: Mou, Changhong, et al.
Veröffentlicht: (2026)

FCNCP: A Coupled Nonnegative CANDECOMP/PARAFAC Decomposition Based on Federated Learning
von: Cai, Yukai, et al.
Veröffentlicht: (2024)

Orthogonal polynomial approximation and Extended Dynamic Mode Decomposition in chaos
von: Wormell, Caroline L.
Veröffentlicht: (2023)

Reduced-Basis Deep Operator Learning for Parametric PDEs with Independently Varying Boundary and Source Data
von: Wang, Yueqi, et al.
Veröffentlicht: (2025)

Orthogonal greedy algorithm for linear operator learning with shallow neural network
von: Lin, Ye, et al.
Veröffentlicht: (2025)

First-order PDES for Graph Neural Networks: Advection And Burgers Equation Models
von: Qu, Yifan, et al.
Veröffentlicht: (2024)

Cauchy Random Features for Operator Learning in Sobolev Space
von: Liao, Chunyang, et al.
Veröffentlicht: (2025)

Fuzzy PyTorch: Rapid Numerical Variability Evaluation for Deep Learning Models
von: Gonzalez-Pepe, Inés, et al.
Veröffentlicht: (2026)

Deep Learning for Subspace Regression
von: Fanaskov, Vladimir, et al.
Veröffentlicht: (2025)

Solving Partial Differential Equations with Random Feature Models
von: Liao, Chunyang
Veröffentlicht: (2024)

Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition
von: Chen, Juefei, et al.
Veröffentlicht: (2024)

DeepONet Augmented by Randomized Neural Networks for Efficient Operator Learning in PDEs
von: Jiang, Zhaoxi, et al.
Veröffentlicht: (2025)

A Proper Orthogonal Decomposition approach for parameters reduction of Single Shot Detector networks
von: Meneghetti, Laura, et al.
Veröffentlicht: (2022)

Predicting Wave Dynamics using Deep Learning with Multistep Integration Inspired Attention and Physics-Based Loss Decomposition
von: Deo, Indu Kant, et al.
Veröffentlicht: (2025)

Randomly Pivoted Partial Cholesky: Random How?
von: Steinerberger, Stefan
Veröffentlicht: (2024)

Generalized Canonical Polyadic Tensor Decompositions with General Symmetry
von: Mulrooney, Alex, et al.
Veröffentlicht: (2026)

Revisiting Orbital Minimization Method for Neural Operator Decomposition
von: Ryu, J. Jon, et al.
Veröffentlicht: (2025)

Lower Bounds for the Convergence of Tensor Power Iteration on Random Overcomplete Models
von: Wu, Yuchen, et al.
Veröffentlicht: (2022)

Time Extrapolation with Graph Convolutional Autoencoder and Tensor Train Decomposition
von: Chen, Yuanhong, et al.
Veröffentlicht: (2025)

An End-to-End Deep Learning Method for Solving Nonlocal Allen-Cahn and Cahn-Hilliard Phase-Field Models
von: Geng, Yuwei, et al.
Veröffentlicht: (2024)

A Deep Learning Framework for Multi-Operator Learning: Architectures and Approximation Theory
von: Weihs, Adrien, et al.
Veröffentlicht: (2025)

Data-Driven Model Reduction using WeldNet: Windowed Encoders for Learning Dynamics
von: Dahal, Biraj, et al.
Veröffentlicht: (2025)

Structured Variational $D$-Decomposition for Accurate and Stable Low-Rank Approximation
von: Katende, Ronald
Veröffentlicht: (2025)

A Kernelizable Primal-Dual Formulation of the Multilinear Singular Value Decomposition
von: Wesel, Frederiek, et al.
Veröffentlicht: (2024)