Buchumschlag

A Structure-Preserving Kernel Method for Learning Hamiltonian Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hu, Jianyu, Ortega, Juan-Pablo, Yin, Daiying
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Dynamical Systems
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A kernel method for the learning of Wasserstein geometric flows
von: Hu, Jianyu, et al.
Veröffentlicht: (2025)

Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems
von: Nguyen, Binh, et al.
Veröffentlicht: (2026)

Data-efficient Kernel Methods for Learning Hamiltonian Systems
von: Jalalian, Yasamin, et al.
Veröffentlicht: (2025)

Learning Stochastic Hamiltonian Systems via Stochastic Generating Function Neural Network
von: Chen, Chen, et al.
Veröffentlicht: (2025)

Data-Specific Hyper-Parameter Design: A Paradigm Shift in Reservoir Computing
von: Manjunath, G, et al.
Veröffentlicht: (2026)

Kernel Methods for Some Transport Equations with Application to Learning Kernels for the Approximation of Koopman Eigenfunctions: A Unified Approach via Variational Methods, Green's Functions and the Method of Characteristics
von: Hamzi, Boumediene, et al.
Veröffentlicht: (2026)

Adaptive Kernel Selection for Kernelized Diffusion Maps
von: Aboussaad, Othmane, et al.
Veröffentlicht: (2026)

Kernel Sum of Squares for Data Adapted Kernel Learning of Dynamical Systems from Data: A global optimization approach
von: Lengyel, Daniel, et al.
Veröffentlicht: (2024)

A Sparse Bayesian Learning Algorithm for Estimation of Interaction Kernels in Motsch-Tadmor Model
von: Feng, Jinchao, et al.
Veröffentlicht: (2025)

Kernel Methods for the Approximation of the Eigenfunctions of the Koopman Operator
von: Lee, Jonghyeon, et al.
Veröffentlicht: (2024)

Learning Spatio-Temporal Dynamics via Operator-Valued RKHS and Kernel Koopman Methods
von: Withanachchi, Mahishanka
Veröffentlicht: (2025)

Kernel Methods for Stochastic Dynamical Systems with Application to Koopman Eigenfunctions: Feynman-Kac Representations and RKHS Approximation
von: Hamzi, Boumediene, et al.
Veröffentlicht: (2026)

Dictionary learning for Kernel EDMD
von: Bolager, Erik Lien, et al.
Veröffentlicht: (2026)

Koopman Kernel Regression
von: Bevanda, Petar, et al.
Veröffentlicht: (2023)

A Physics-informed Machine Learning-based Control Method for Nonlinear Dynamic Systems with Highly Noisy Measurements
von: Ma, Mason, et al.
Veröffentlicht: (2023)

True Zero-Shot Inference of Dynamical Systems Preserving Long-Term Statistics
von: Hemmer, Christoph Jürgen, et al.
Veröffentlicht: (2025)

Controlled oscillation modeling using port-Hamiltonian neural networks
von: Linares, Maximino, et al.
Veröffentlicht: (2026)

Identifying the nonlinear string dynamics with port-Hamiltonian neural networks
von: Linares, Maximino, et al.
Veröffentlicht: (2026)

Structural System Identification via Validation and Adaptation
von: López, Cristian, et al.
Veröffentlicht: (2025)

Structure-Aware Variational Learning of a Class of Generalized Diffusions
von: Lu, Yubin, et al.
Veröffentlicht: (2026)

A Training-Free Conditional Diffusion Model for Learning Stochastic Dynamical Systems
von: Liu, Yanfang, et al.
Veröffentlicht: (2024)

Deep Learning of the Evolution Operator Enables Forecasting of Out-of-Training Dynamics in Chaotic Systems
von: Shokar, Ira J. S., et al.
Veröffentlicht: (2025)

Neural Context Flows for Meta-Learning of Dynamical Systems
von: Nzoyem, Roussel Desmond, et al.
Veröffentlicht: (2024)

CGKN: A Deep Learning Framework for Modeling Complex Dynamical Systems and Efficient Data Assimilation
von: Chen, Chuanqi, et al.
Veröffentlicht: (2024)

Navigating Uncertainties in Machine Learning for Structural Dynamics: A Comprehensive Survey of Probabilistic and Non-Probabilistic Approaches in Forward and Inverse Problems
von: Yan, Wang-Ji, et al.
Veröffentlicht: (2024)

DySLIM: Dynamics Stable Learning by Invariant Measure for Chaotic Systems
von: Schiff, Yair, et al.
Veröffentlicht: (2024)

Self-Supervised Evolution Operator Learning for High-Dimensional Dynamical Systems
von: Turri, Giacomo, et al.
Veröffentlicht: (2025)

Weighted Birkhoff Averages Accelerate Data-Driven Methods
von: Bou-Sakr-El-Tayar, Maria, et al.
Veröffentlicht: (2025)

Resonances in reflective Hamiltonian Monte Carlo
von: Kroupa, Namu, et al.
Veröffentlicht: (2025)

Joint Learning of Linear Time-Invariant Dynamical Systems
von: Modi, Aditya, et al.
Veröffentlicht: (2021)

Multi-Hierarchical Surrogate Learning for Structural Dynamical Crash Simulations Using Graph Convolutional Neural Networks
von: Kneifl, Jonas, et al.
Veröffentlicht: (2024)

On the Stability of a non-hyperbolic nonlinear map with non-bounded set of non-isolated fixed points with applications to Machine Learning
von: Hansen, Roberta, et al.
Veröffentlicht: (2024)

Neural Ordinary Differential Equations for Learning and Extrapolating System Dynamics Across Bifurcations
von: van Tegelen, Eva, et al.
Veröffentlicht: (2025)

Learning Koopman-based Stability Certificates for Unknown Nonlinear Systems
von: Zhou, Ruikun, et al.
Veröffentlicht: (2024)

Stochastic Reinforcement Learning with Stability Guarantees for Control of Unknown Nonlinear Systems
von: Quartz, Thanin, et al.
Veröffentlicht: (2024)

Variational Mode Decomposition-Based Nonstationary Coherent Structure Analysis for Spatiotemporal Data
von: Ohmichi, Yuya
Veröffentlicht: (2023)

Learning From Simulators: A Theory of Simulation-Grounded Learning
von: Dudley, Carson, et al.
Veröffentlicht: (2025)

Machine-Precision Prediction of Low-Dimensional Chaotic Systems
von: Schötz, Christof, et al.
Veröffentlicht: (2025)

Binned Spectral Power Loss for Improved Prediction of Chaotic Systems
von: Chakraborty, Dibyajyoti, et al.
Veröffentlicht: (2025)

Flowing Through Layers: A Continuous Dynamical Systems Perspective on Transformers
von: Fein-Ashley, Jacob
Veröffentlicht: (2025)