Buchumschlag

Symbolic Recovery of Differential Equations: The Identifiability Problem

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Scholl, Philipp, Bacho, Aras, Boche, Holger, Kutyniok, Gitta
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Machine Learning Mathematical Physics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Nonsmooth Analysis of Doubly Nonlinear Second-Order Evolution Equations with Non-Convex Energy Functionals
von: Bacho, Aras
Veröffentlicht: (2019)

Error Estimation for Physics-informed Neural Networks Approximating Semilinear Wave Equations
von: Lorenz, Beatrice, et al.
Veröffentlicht: (2024)

Mathematical Algorithm Design for Deep Learning under Societal and Judicial Constraints: The Algorithmic Transparency Requirement
von: Boche, Holger, et al.
Veröffentlicht: (2024)

ParFam -- (Neural Guided) Symbolic Regression Based on Continuous Global Optimization
von: Scholl, Philipp, et al.
Veröffentlicht: (2023)

Learning-based adaption of robotic friction models
von: Scholl, Philipp, et al.
Veröffentlicht: (2023)

Probabilistic neural operators for functional uncertainty quantification
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

Symbolic Neural Ordinary Differential Equations
von: Li, Xin, et al.
Veröffentlicht: (2025)

Robust identifiability for symbolic recovery of differential equations
von: Hauger, Hillary, et al.
Veröffentlicht: (2024)

Improved probabilistic regression using diffusion models
von: Kneissl, Carlo, et al.
Veröffentlicht: (2025)

Computability of Classification and Deep Learning: From Theoretical Limits to Practical Feasibility through Quantization
von: Boche, Holger, et al.
Veröffentlicht: (2024)

Complexity Theory meets Ordinary Differential Equations
von: Fono, Adalbert, et al.
Veröffentlicht: (2026)

Interpretable Robotic Friction Learning via Symbolic Regression
von: Scholl, Philipp, et al.
Veröffentlicht: (2025)

Inverse Problems Are Solvable on Real Number Signal Processing Hardware
von: Boche, Holger, et al.
Veröffentlicht: (2022)

Graph Neural Networks for Enhancing Ensemble Forecasts of Extreme Rainfall
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

Solving Partial Differential Equations in Different Domains by Operator Learning method Based on Boundary Integral Equations
von: Meng, Bin, et al.
Veröffentlicht: (2024)

Turing meets Moore-Penrose: Computing the Pseudoinverse on Turing Machines
von: Boche, Holger, et al.
Veröffentlicht: (2022)

KROM: Kernelized Reduced Order Modeling
von: Bacho, Aras, et al.
Veröffentlicht: (2026)

Chebyshev Spectral Neural Networks for Solving Partial Differential Equations
von: Yin, Pengsong, et al.
Veröffentlicht: (2024)

Symbolic identification of tensor equations in multidimensional physical fields
von: Chen, Tianyi, et al.
Veröffentlicht: (2025)

Random Spiking Neural Networks are Stable and Spectrally Simple
von: Araya, Ernesto, et al.
Veröffentlicht: (2025)

Generalization Bounds for Message Passing Networks on Mixture of Graphons
von: Maskey, Sohir, et al.
Veröffentlicht: (2024)

General-Kindred Physics-Informed Neural Network to the Solutions of Singularly Perturbed Differential Equations
von: Wang, Sen, et al.
Veröffentlicht: (2024)

Deflation-PINNs: Learning Multiple Solutions for PDEs and Landau-de Gennes
von: Disarò, Sean, et al.
Veröffentlicht: (2026)

Learning Heat-based Equations in Self-similar variables
von: Wang, Shihao, et al.
Veröffentlicht: (2026)

Continual Learning as a Multiphase Moving-Boundary Problem
von: Khilar, Snigdha Chandan
Veröffentlicht: (2026)

When is a System Discoverable from Data? Discovery Requires Chaos
von: Shumaylov, Zakhar, et al.
Veröffentlicht: (2025)

Neumann Series-based Neural Operator for Solving Inverse Medium Problem
von: Liu, Ziyang, et al.
Veröffentlicht: (2024)

Weisfeiler and Leman Go Loopy: A New Hierarchy for Graph Representational Learning
von: Paolino, Raffaele, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Regression: A Unified Framework based on kernel scores
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

Weak Generative Sampler to Efficiently Sample Invariant Distribution of Stochastic Differential Equation
von: Cai, Zhiqiang, et al.
Veröffentlicht: (2024)

DGenNO: A Novel Physics-aware Neural Operator for Solving Forward and Inverse PDE Problems based on Deep, Generative Probabilistic Modeling
von: Zang, Yaohua, et al.
Veröffentlicht: (2025)

A Variational Framework for the Algorithmic Complexity of PDE Solutions
von: Cardona, Juan Esteban Suarez, et al.
Veröffentlicht: (2025)

Differentiable Quadratic Optimization For The Maximum Independent Set Problem
von: Alkhouri, Ismail, et al.
Veröffentlicht: (2024)

Utilizing Causal Network Markers to Identify Tipping Points ahead of Critical Transition
von: Bian, Shirui, et al.
Veröffentlicht: (2024)

Exact Solutions to the Quantum Schrödinger Bridge Problem
von: Bordyuh, Mykola, et al.
Veröffentlicht: (2025)

A Unified Framework for Forward and Inverse Problems in Subsurface Imaging using Latent Space Translations
von: Gupta, Naveen, et al.
Veröffentlicht: (2024)

Dataset of Pathloss and ToA Radio Maps With Localization Application
von: Yapar, Çağkan, et al.
Veröffentlicht: (2022)

Well-posedness of a fully nonlinear evolution inclusion of second order
von: Bacho, Aras
Veröffentlicht: (2022)

Time to Spike? Understanding the Representational Power of Spiking Neural Networks in Discrete Time
von: Nguyen, Duc Anh, et al.
Veröffentlicht: (2025)

BridgeNet: A Hybrid, Physics-Informed Machine Learning Framework for Solving High-Dimensional Fokker-Planck Equations
von: Mirzabeigi, Elmira, et al.
Veröffentlicht: (2025)