Buchumschlag

Signal reconstruction using determinantal sampling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Belhadji, Ayoub, Bardenet, Rémi, Chainais, Pierre
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Weighted quantization using MMD: From mean field to mean shift via gradient flows
von: Belhadji, Ayoub, et al.
Veröffentlicht: (2025)

Monte Carlo methods on compact complex manifolds using Bergman kernels
von: Lemoine, Thibaut, et al.
Veröffentlicht: (2024)

Revisiting RIP guarantees for sketching operators on mixture models
von: Belhadji, Ayoub, et al.
Veröffentlicht: (2023)

Sketch and shift: a robust decoder for compressive clustering
von: Belhadji, Ayoub, et al.
Veröffentlicht: (2023)

One Operator for Many Densities: Amortized Approximation of Conditioning by Neural Operators
von: Tsimpos, Panos, et al.
Veröffentlicht: (2026)

Mathematical Modeling of Cancer-Bacterial Therapy: Analysis and Numerical Simulation via Physics-Informed Neural Networks
von: Farkane, Ayoub, et al.
Veröffentlicht: (2026)

Weighted least-squares approximation with determinantal point processes and generalized volume sampling
von: Nouy, Anthony, et al.
Veröffentlicht: (2023)

Graph Neural Networks for Community Detection in Graph Signal Analysis
von: Cavoretto, Roberto, et al.
Veröffentlicht: (2026)

On two ways to use determinantal point processes for Monte Carlo integration
von: Gautier, Guillaume, et al.
Veröffentlicht: (2026)

New Trends in the Stability of Sinkhorn Semigroups
von: Del Moral, Pierre, et al.
Veröffentlicht: (2026)

Solving Poisson Equations using Neural Walk-on-Spheres
von: Nam, Hong Chul, et al.
Veröffentlicht: (2024)

Nonuniform random feature models using derivative information
von: Pieper, Konstantin, et al.
Veröffentlicht: (2024)

Accelerating Fractional PINNs using Operational Matrices of Derivative
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

Solving engineering eigenvalue problems with neural networks using the Rayleigh quotient
von: Rowan, Conor, et al.
Veröffentlicht: (2025)

Solving Forward and Inverse Problems of Contact Mechanics using Physics-Informed Neural Networks
von: Sahin, T., et al.
Veröffentlicht: (2023)

Learning reduced-order Quadratic-Linear models in Process Engineering using Operator Inference
von: Gosea, Ion Victor, et al.
Veröffentlicht: (2024)

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

On the optimal approximation of Sobolev and Besov functions using deep ReLU neural networks
von: Yang, Yunfei
Veröffentlicht: (2024)

Optimal sampling for least-squares approximation
von: Adcock, Ben
Veröffentlicht: (2024)

Deep learning methods for inverse problems using connections between proximal operators and Hamilton-Jacobi equations
von: Akande, Oluwatosin, et al.
Veröffentlicht: (2025)

Numerical simulation of transient heat conduction with moving heat source using Physics Informed Neural Networks
von: Kalyan, Anirudh, et al.
Veröffentlicht: (2025)

Exact Constraint Enforcement in Physics-Informed Extreme Learning Machines using Null-Space Projection Framework
von: Mishra, Rishi, et al.
Veröffentlicht: (2026)

Convergence analysis of OT-Flow for sample generation
von: Jing, Yang, et al.
Veröffentlicht: (2024)

Long-term simulation of physical and mechanical behaviors using curriculum-transfer-learning based physics-informed neural networks
von: Guo, Yuan, et al.
Veröffentlicht: (2025)

Regional climate projections using a deep-learning-based model-ranking and downscaling framework: Application to European climate zones
von: Loganathan, Parthiban, et al.
Veröffentlicht: (2025)

Deep adaptive sampling for surrogate modeling without labeled data
von: Wang, Xili, et al.
Veröffentlicht: (2024)

Coupling the reduced-order model and the generative model for an importance sampling estimator
von: Wan, Xiaoliang, et al.
Veröffentlicht: (2019)

VS-PINN: A fast and efficient training of physics-informed neural networks using variable-scaling methods for solving PDEs with stiff behavior
von: Ko, Seungchan, et al.
Veröffentlicht: (2024)

In Situ Quantum Analog Pulse Characterization via Structured Signal Processing
von: Dong, Yulong, et al.
Veröffentlicht: (2025)

Christoffel-DPS: Optimal sensor placement in diffusion posterior sampling for arbitrary distributions
von: Rowbottom, James, et al.
Veröffentlicht: (2026)

Multi-Fidelity Delayed Acceptance: hierarchical MCMC sampling for Bayesian inverse problems combining multiple solvers through deep neural networks
von: Zacchei, Filippo, et al.
Veröffentlicht: (2025)

Solving stochastic partial differential equations using neural networks in the Wiener chaos expansion
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

Solving the 2D Advection-Diffusion Equation using Fixed-Depth Symbolic Regression and Symbolic Differentiation without Expression Trees
von: Finkelstein, Edward
Veröffentlicht: (2024)

Nonlinear Bayesian optimal experimental design using logarithmic Sobolev inequalities
von: Li, Fengyi, et al.
Veröffentlicht: (2024)

Towards Foundation Models for Scientific Machine Learning: Characterizing Scaling and Transfer Behavior
von: Subramanian, Shashank, et al.
Veröffentlicht: (2023)

Efficient Numerical Integration in Reproducing Kernel Hilbert Spaces via Leverage Scores Sampling
von: Chatalic, Antoine, et al.
Veröffentlicht: (2023)

Out-of-distributional risk bounds for neural operators with applications to the Helmholtz equation
von: Benitez, J. Antonio Lara, et al.
Veröffentlicht: (2023)

The Parametric Complexity of Operator Learning
von: Lanthaler, Samuel, et al.
Veröffentlicht: (2023)

Weighted variation spaces and approximation by shallow ReLU networks
von: DeVore, Ronald, et al.
Veröffentlicht: (2023)

Geometry-aware training of factorized layers in tensor Tucker format
von: Zangrando, Emanuele, et al.
Veröffentlicht: (2023)