Buchumschlag

Convergence analysis of OT-Flow for sample generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jing, Yang, Li, Lei
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Convergence Analysis of Probability Flow ODE for Score-based Generative Models
von: Huang, Daniel Zhengyu, et al.
Veröffentlicht: (2024)

Quantifying Training Difficulty and Accelerating Convergence in Neural Network-Based PDE Solvers
von: Chen, Chuqi, et al.
Veröffentlicht: (2024)

Sharp Convergence Rates for Matching Pursuit
von: Klusowski, Jason M., et al.
Veröffentlicht: (2023)

Convergence analysis of kernel learning FBSDE filter
von: Lyu, Yunzheng, 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)

Enhanced BPINN Training Convergence in Solving General and Multi-scale Elliptic PDEs with Noise
von: Hou, Yilong, et al.
Veröffentlicht: (2024)

Convergence of two-timescale gradient descent ascent dynamics: finite-dimensional and mean-field perspectives
von: An, Jing, et al.
Veröffentlicht: (2025)

On the Convergence of Irregular Sampling in Reproducing Kernel Hilbert Spaces
von: Iske, Armin
Veröffentlicht: (2025)

Beyond Derivative Pathology of PINNs: Variable Splitting Strategy with Convergence Analysis
von: Park, Yesom, et al.
Veröffentlicht: (2024)

Lower Bounds for the Convergence of Tensor Power Iteration on Random Overcomplete Models
von: Wu, Yuchen, et al.
Veröffentlicht: (2022)

GeoFunFlow-3D: A Physics-Guided Generative Flow Matching Framework for High-Fidelity 3D Aerodynamic Inference over Complex Geometries
von: Jiang, Ruiling, et al.
Veröffentlicht: (2026)

MicroAdam: Accurate Adaptive Optimization with Low Space Overhead and Provable Convergence
von: Modoranu, Ionut-Vlad, et al.
Veröffentlicht: (2024)

Computational Advantages of Multi-Grade Deep Learning: Convergence Analysis and Performance Insights
von: Fang, Ronglong, et al.
Veröffentlicht: (2025)

A Sharp Convergence Theory for The Probability Flow ODEs of Diffusion Models
von: Li, Gen, et al.
Veröffentlicht: (2024)

Convergence of Stochastic Gradient Methods for Wide Two-Layer Physics-Informed Neural Networks
von: Jin, Bangti, et al.
Veröffentlicht: (2025)

Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation
von: Yang, Minglei, et al.
Veröffentlicht: (2024)

Learn to Evolve: Self-supervised Neural JKO Operator for Wasserstein Gradient Flow
von: Feng, Xue, et al.
Veröffentlicht: (2026)

Convergence and Sketching-Based Efficient Computation of Neural Tangent Kernel Weights in Physics-Based Loss
von: Hirsch, Max, et al.
Veröffentlicht: (2025)

Long-time Integration of Nonlinear Wave Equations with Neural Operators
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

Learning Neural PDE Solvers with Convergence Guarantees
von: Hsieh, Jun-Ting, et al.
Veröffentlicht: (2019)

Symmetry group based domain decomposition to enhance physics-informed neural networks for solving partial differential equations
von: Liu, Ye, et al.
Veröffentlicht: (2024)

An Efficient Deep Learning Approach for Approximating Parameter-to-Solution Maps of PDEs
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

A Generative Sampler for distributions with possible discrete parameter based on Reversibility
von: Li, Lei, et al.
Veröffentlicht: (2026)

FLUID: Flow-based Unified Inference for Dynamics
von: Cui, Tiangang, et al.
Veröffentlicht: (2026)

A novel data generation scheme for surrogate modelling with deep operator networks
von: Choubey, Shivam, et al.
Veröffentlicht: (2024)

Stochastic generative methods for stable and accurate closure modeling of chaotic dynamical systems
von: Williams, Emily, et al.
Veröffentlicht: (2025)

Neural Hamilton--Jacobi Characteristic Flows for Optimal Transport
von: Park, Yesom, et al.
Veröffentlicht: (2025)

Wasserstein Bounds for generative diffusion models with Gaussian tail targets
von: Wang, Xixian, et al.
Veröffentlicht: (2024)

Probabilistic operator learning: generative modeling and uncertainty quantification for foundation models of differential equations
von: Zhang, Benjamin J., et al.
Veröffentlicht: (2025)

Dimension-Free Convergence of Diffusion Models for Approximate Gaussian Mixtures
von: Li, Gen, et al.
Veröffentlicht: (2025)

Neural Conjugate Flows: Physics-informed architectures with flow structure
von: Bizzi, Arthur, et al.
Veröffentlicht: (2024)

Using Parametric PINNs for Predicting Internal and External Turbulent Flows
von: Ghosh, Shinjan, et al.
Veröffentlicht: (2024)

Learning-based Multi-continuum Model for Multiscale Flow Problems
von: Wang, Fan, et al.
Veröffentlicht: (2024)

When big data actually are low-rank, or entrywise approximation of certain function-generated matrices
von: Budzinskiy, Stanislav
Veröffentlicht: (2024)

Riemannian Langevin Dynamics: Strong Convergence of Geometric Euler-Maruyama Scheme
von: Zhan, Zhiyuan, et al.
Veröffentlicht: (2026)

Discrepancies are Virtue: Weak-to-Strong Generalization through Lens of Intrinsic Dimension
von: Dong, Yijun, et al.
Veröffentlicht: (2025)

Overparameterization of deep ResNet: zero loss and mean-field analysis
von: Ding, Zhiyan, et al.
Veröffentlicht: (2021)

Gradient Flow Based Phase-Field Modeling Using Separable Neural Networks
von: Mattey, Revanth, et al.
Veröffentlicht: (2024)

Fast Convergence for High-Order ODE Solvers in Diffusion Probabilistic Models
von: Huang, Daniel Zhengyu, et al.
Veröffentlicht: (2025)

Flow-based Bayesian filtering for high-dimensional nonlinear stochastic dynamical systems
von: Wang, Xintong, et al.
Veröffentlicht: (2025)