Buchumschlag

Replication Study: Enhancing Hydrological Modeling with Physics-Guided Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Esmaeilzadeh, Mostafa, Amirzadeh, Melika
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Physics Guided Machine Learning Methods for Hydrology
von: Khandelwal, Ankush, et al.
Veröffentlicht: (2020)

A Framework for Empowering Reinforcement Learning Agents with Causal Analysis: Enhancing Automated Cryptocurrency Trading
von: Amirzadeh, Rasoul, et al.
Veröffentlicht: (2023)

Physics-aware Machine Learning Revolutionizes Scientific Paradigm for Machine Learning and Process-based Hydrology
von: Xu, Qingsong, et al.
Veröffentlicht: (2023)

Feature-Guided Analysis of Neural Networks: A Replication Study
von: Formica, Federico, et al.
Veröffentlicht: (2025)

Minimizing Hyperbolic Embedding Distortion with LLM-Guided Hierarchy Restructuring
von: Ayoughi, Melika, et al.
Veröffentlicht: (2025)

REASONING COMPILER: LLM-Guided Optimizations for Efficient Model Serving
von: Tang, Annabelle Sujun, et al.
Veröffentlicht: (2025)

Physics-Guided Machine Learning for Uncertainty Quantification in Turbulence Models
von: Chu, Minghan, et al.
Veröffentlicht: (2025)

A Comprehensive Study of Supervised Machine Learning Models for Zero-Day Attack Detection: Analyzing Performance on Imbalanced Data
von: Lotfi, Zahra, et al.
Veröffentlicht: (2025)

Potential of Domain Adaptation in Machine Learning in Ecology and Hydrology to Improve Model Extrapolability
von: Shi, Haiyang
Veröffentlicht: (2024)

Replicable Online Learning
von: Ahmadi, Saba, et al.
Veröffentlicht: (2024)

SHAP-Guided Regularization in Machine Learning Models
von: Saadallah, Amal
Veröffentlicht: (2025)

Approximate Replicability in Learning
von: Hopkins, Max, et al.
Veröffentlicht: (2025)

Causal Modelling of Cryptocurrency Price Movements Using Discretisation-Aware Bayesian Networks
von: Amirzadeh, Rasoul, et al.
Veröffentlicht: (2023)

Constrained Extreme Gradient Boosting for Adapting Reduced-Order Models
von: Baghi, Melika, et al.
Veröffentlicht: (2026)

Deep Learning Foundation and Pattern Models: Challenges in Hydrological Time Series
von: He, Junyang, et al.
Veröffentlicht: (2024)

On the Computational Landscape of Replicable Learning
von: Kalavasis, Alkis, et al.
Veröffentlicht: (2024)

The Cost of Replicability in Active Learning
von: Hira, Rupkatha, et al.
Veröffentlicht: (2024)

Dynamic Bayesian Networks for Predicting Cryptocurrency Price Directions: Uncovering Causal Relationships
von: Amirzadeh, Rasoul, et al.
Veröffentlicht: (2023)

Utilizing Earth Foundation Models to Enhance the Simulation Performance of Hydrological Models with AlphaEarth Embeddings
von: Qu, Pengfei, et al.
Veröffentlicht: (2026)

Knowledge-Guided Machine Learning Models to Upscale Evapotranspiration in the U.S. Midwest
von: Rozanov, Aleksei, et al.
Veröffentlicht: (2025)

Inducing Meaningful Units from Character Sequences with Dynamic Capacity Slot Attention
von: Behjati, Melika, et al.
Veröffentlicht: (2021)

How Effective are Large Time Series Models in Hydrology? A Study on Water Level Forecasting in Everglades
von: Rangaraj, Rahuul, et al.
Veröffentlicht: (2025)

Scientific Knowledge-Guided Machine Learning for Vessel Power Prediction: A Comparative Study
von: Bourchas, Orfeas, et al.
Veröffentlicht: (2026)

Replicable Reinforcement Learning with Linear Function Approximation
von: Eaton, Eric, et al.
Veröffentlicht: (2025)

List Replicable Reinforcement Learning
von: Zhang, Bohan, et al.
Veröffentlicht: (2025)

Enhancing Retail Sales Forecasting with Optimized Machine Learning Models
von: Ganguly, Priyam, et al.
Veröffentlicht: (2024)

Large Language Model Enhanced Machine Learning Estimators for Classification
von: Wu, Yuhang, et al.
Veröffentlicht: (2024)

Normalise for Fairness: A Simple Normalisation Technique for Fairness in Regression Machine Learning Problems
von: Amin, Mostafa M., et al.
Veröffentlicht: (2022)

Borsuk-Ulam and Replicable Learning of Large-Margin Halfspaces
von: Blondal, Ari, et al.
Veröffentlicht: (2025)

Towards Interpretable Physical-Conceptual Catchment-Scale Hydrological Modeling using the Mass-Conserving-Perceptron
von: Wang, Yuan-Heng, et al.
Veröffentlicht: (2024)

Variational Quantum Physics-Informed Neural Networks for Hydrological PDE-Constrained Learning with Inherent Uncertainty Quantification
von: Hewage, Prasad Nimantha Madusanka Ukwatta, et al.
Veröffentlicht: (2026)

Discussing the Spectrum of Physics-Enhanced Machine Learning; a Survey on Structural Mechanics Applications
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2023)

LiteCoOp: Lightweight Multi-LLM Shared-Tree Reasoning for Model-Serving Compiler Optimizations
von: Tang, Annabelle Sujun, et al.
Veröffentlicht: (2026)

Measuring and Mitigating Toxicity in Large Language Models: A Comprehensive Replication Study
von: Surana, Mokshit, et al.
Veröffentlicht: (2026)

Replicable Constrained Bandits
von: Bollini, Matteo, et al.
Veröffentlicht: (2026)

From Generative to Episodic: Sample-Efficient Replicable Reinforcement Learning
von: Hopkins, Max, et al.
Veröffentlicht: (2025)

On the Hyperparameter Loss Landscapes of Machine Learning Models: An Exploratory Study
von: Huang, Mingyu, et al.
Veröffentlicht: (2023)

Physics-Inspired Interpretability Of Machine Learning Models
von: Niroomand, Maximilian P, et al.
Veröffentlicht: (2023)

On-Demand Growth of Semiconductor Heterostructures Guided by Physics-Informed Machine Learning
von: Shen, Chao, et al.
Veröffentlicht: (2024)

Robust Pre-Training of Medical Vision-and-Language Models with Domain-Invariant Multi-Modal Masked Reconstruction
von: Filvantorkaman, Melika, et al.
Veröffentlicht: (2026)