Copertina

An operator learning perspective on parameter-to-observable maps

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Huang, Daniel Zhengyu, Nelsen, Nicholas H., Trautner, Margaret
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning Statistics Theory 68T07, 62G20, 65J15
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

A short tour of operator learning theory: Convergence rates, statistical limits, and open questions
di: Brugiapaglia, Simone, et al.
Pubblicazione: (2026)

Model-free filtering in high dimensions via projection and score-based diffusions
di: Christensen, Sören, et al.
Pubblicazione: (2025)

Learning where to learn: Training data distribution optimization for scientific machine learning
di: Guerra, Nicolas, et al.
Pubblicazione: (2025)

Error Bounds for Learning with Vector-Valued Random Features
di: Lanthaler, Samuel, et al.
Pubblicazione: (2023)

Convergence analysis of Tikhonov regularization for non-linear statistical inverse learning problems
di: Rastogi, Abhishake, et al.
Pubblicazione: (2019)

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

Operator Learning Using Random Features: A Tool for Scientific Computing
di: Nelsen, Nicholas H., et al.
Pubblicazione: (2024)

Convergence rates of non-stationary and deep Gaussian process regression
di: Osborne, Conor, et al.
Pubblicazione: (2023)

Kernel Density Machines
di: Della Vecchia, Andrea, et al.
Pubblicazione: (2025)

Least squares approximations in linear statistical inverse learning problems
di: Helin, Tapio
Pubblicazione: (2022)

Kernel Density Estimation and Convolution Revisited
di: Tenkorang, Nicholas, et al.
Pubblicazione: (2025)

SAGA: A Sequence-Adaptive Generative Architecture for Multi-Horizon Probabilistic Forecasting with Adaptive Temporal Conformal Prediction
di: Lundström-Imanov, Gustav Olaf Yunus Laitinen-Fredriksson, et al.
Pubblicazione: (2026)

Distributed Sparse Linear Regression under Communication Constraints
di: Fonseca, Rodney, et al.
Pubblicazione: (2023)

Spatio-temporal probabilistic forecast using MMAF-guided learning
di: Bardi, Leonardo, et al.
Pubblicazione: (2026)

Nonparametric estimation of a factorizable density using diffusion models
di: Kwon, Hyeok Kyu, et al.
Pubblicazione: (2025)

The Cost of Adaptation under Differential Privacy: Optimal Adaptive Federated Density Estimation
di: Cai, T. Tony, et al.
Pubblicazione: (2025)

From Tail Universality to Bernstein-von Mises: A Unified Statistical Theory of Semi-Implicit Variational Inference
di: Plummer, Sean
Pubblicazione: (2025)

Comparing Scale Parameter Estimators for Gaussian Process Interpolation with the Brownian Motion Prior: Leave-One-Out Cross Validation and Maximum Likelihood
di: Naslidnyk, Masha, et al.
Pubblicazione: (2023)

Maximum a posteriori testing in statistical inverse problems
di: Kretschmann, Remo, et al.
Pubblicazione: (2024)

Operator learning meets inverse problems: A probabilistic perspective
di: Nelsen, Nicholas H., et al.
Pubblicazione: (2025)

On the Convergence of the ELBO to Entropy Sums
di: Lücke, Jörg, et al.
Pubblicazione: (2022)

Generative Models with ELBOs Converging to Entropy Sums
di: Warnken, Jan, et al.
Pubblicazione: (2024)

Physics-informed features in supervised machine learning
di: Lampani, Margherita, et al.
Pubblicazione: (2025)

Random tree Besov priors: Data-driven regularisation parameter selection
di: Kekkonen, Hanne, et al.
Pubblicazione: (2026)

A Wasserstein perspective of Vanilla GANs
di: Kunkel, Lea, et al.
Pubblicazione: (2024)

An energy-based deep splitting method for the nonlinear filtering problem
di: Bågmark, Kasper, et al.
Pubblicazione: (2022)

On the minimax optimality of Flow Matching through the connection to kernel density estimation
di: Kunkel, Lea, et al.
Pubblicazione: (2025)

Distribution estimation via Flow Matching with Lipschitz guarantees
di: Kunkel, Lea
Pubblicazione: (2025)

High-dimensional Bayesian filtering through deep density approximation
di: Bågmark, Kasper, et al.
Pubblicazione: (2025)

Nonlinear filtering based on density approximation and deep BSDE prediction
di: Bågmark, Kasper, et al.
Pubblicazione: (2025)

A supervised deep learning method for nonparametric density estimation
di: Bos, Thijs, et al.
Pubblicazione: (2023)

Amortized Energy-Based Bayesian Inference
di: Kaveh, Hojjat, et al.
Pubblicazione: (2026)

Estimation of the invariant measure of a multidimensional diffusion from noisy observations
di: Maillet, Raphaël, et al.
Pubblicazione: (2024)

An effective estimation of multivariate density functions using extended-beta kernels with Bayesian adaptive bandwidths
di: Somé, Sobom M., et al.
Pubblicazione: (2025)

A convergent scheme for the Bayesian filtering problem based on the Fokker--Planck equation and deep splitting
di: Bågmark, Kasper, et al.
Pubblicazione: (2024)

The Influence Function of Penalized Regression Estimators
di: Öllerer, Viktoria, et al.
Pubblicazione: (2015)

Empirical Risk Minimization as Parameter Choice Rule for General Linear Regularization Methods
di: Li, Housen, et al.
Pubblicazione: (2017)

Two approaches to multiple canonical correlation analysis for repeated measures data
di: Górecki, Tomasz, et al.
Pubblicazione: (2025)

Approximating $f$-Divergences with Rank Statistics
di: Stein, Viktor, et al.
Pubblicazione: (2026)

Efficient and Minimax Optimal In-context Nonparametric Regression with Transformers
di: Ching, Michelle, et al.
Pubblicazione: (2026)