Buchumschlag

Neural Context Flows for Meta-Learning of Dynamical Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nzoyem, Roussel Desmond, Barton, David A. W., Deakin, Tom
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

Reevaluating Meta-Learning Optimization Algorithms Through Contextual Self-Modulation
von: Nzoyem, Roussel Desmond, et al.
Veröffentlicht: (2024)

Towards Foundational Models for Dynamical System Reconstruction: Hierarchical Meta-Learning via Mixture of Experts
von: Nzoyem, Roussel Desmond, et al.
Veröffentlicht: (2025)

Out-of-Support Generalisation via Weight-Space Sequence Modelling
von: Nzoyem, Roussel Desmond
Veröffentlicht: (2026)

Weight-Space Linear Recurrent Neural Networks
von: Nzoyem, Roussel Desmond, et al.
Veröffentlicht: (2025)

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

Enhancing Neural Training via a Correlated Dynamics Model
von: Brokman, Jonathan, et al.
Veröffentlicht: (2023)

Learning Dissipative Neural Dynamical Systems
von: Xu, Yuezhu, et al.
Veröffentlicht: (2023)

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

A Novel Neural Filter to Improve Accuracy of Neural Network Models of Dynamic Systems
von: Oveissi, Parham, et al.
Veröffentlicht: (2024)

PINN-Obs: Physics-Informed Neural Network-Based Observer for Nonlinear Dynamical Systems
von: Farkane, Ayoub, et al.
Veröffentlicht: (2025)

Machine Learning for Complex Systems Dynamics: Detecting Bifurcations in Dynamical Systems with Deep Neural Networks
von: Pal, Swadesh, et al.
Veröffentlicht: (2026)

Embedded Variational Neural Stochastic Differential Equations for Learning Heterogeneous Dynamics
von: Samota, Sandeep Kumar, et al.
Veröffentlicht: (2026)

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)

FLEX: Feature Importance from Layered Counterfactual Explanations
von: Keshtmand, Nawid, et al.
Veröffentlicht: (2025)

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

FlowKac: An Efficient Neural Fokker-Planck solver using Temporal Normalizing Flows and the Feynman-Kac Formula
von: Bekri, Naoufal El, et al.
Veröffentlicht: (2025)

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

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)

A Weak Penalty Neural ODE for Learning Chaotic Dynamics from Noisy Time Series
von: Li, Xuyang, et al.
Veröffentlicht: (2025)

Semi-Explicit Neural DAEs: Learning Long-Horizon Dynamical Systems with Algebraic Constraints
von: Pal, Avik, et al.
Veröffentlicht: (2025)

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

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

Iterative Learning Control of Fast, Nonlinear, Oscillatory Dynamics (Preprint)
von: Brooks, John W., et al.
Veröffentlicht: (2024)

Attention as In-Context Empirical Bayes: A Two-Stage View via Particle Dynamics
von: Smart, Matthew, et al.
Veröffentlicht: (2026)

A Dynamical Systems Perspective on the Analysis of Neural Networks
von: Chemnitz, Dennis, et al.
Veröffentlicht: (2025)

Learning the Simplest Neural ODE
von: Okamoto, Yuji, et al.
Veröffentlicht: (2025)

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

Neural Ordinary Differential Equations for Modeling Socio-Economic Dynamics
von: Samota, Sandeep Kumar, et al.
Veröffentlicht: (2026)

Safely Learning Dynamical Systems
von: Ahmadi, Amir Ali, et al.
Veröffentlicht: (2023)

MPINeuralODE: Multiple-Initial-Condition Physics-Informed Neural ODEs for Globally Consistent Dynamical System Learning
von: Yang, Lake, et al.
Veröffentlicht: (2026)

Dynamics-Informed Deep Learning for Predicting Extreme Events
von: Katsidoniotaki, Eirini, et al.
Veröffentlicht: (2026)

Fast and Flexible Probabilistic Forecasting of Dynamical Systems using Flow Matching and Physical Perturbation
von: Rout, Siddharth, et al.
Veröffentlicht: (2025)

Gradient Flow Equations for Deep Linear Neural Networks: A Survey from a Network Perspective
von: Wendin, Joel, et al.
Veröffentlicht: (2025)

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

CEBoosting: Online Sparse Identification of Dynamical Systems with Regime Switching by Causation Entropy Boosting
von: Chen, Chuanqi, et al.
Veröffentlicht: (2023)

Learning Deep Dissipative Dynamics
von: Okamoto, Yuji, et al.
Veröffentlicht: (2024)

Principal Component Flow Map Learning of PDEs from Incomplete, Limited, and Noisy Data
von: Churchill, Victor
Veröffentlicht: (2024)

Zero-shot Imputation with Foundation Inference Models for Dynamical Systems
von: Seifner, Patrick, et al.
Veröffentlicht: (2024)

ParallelFlow: Parallelizing Linear Transformers via Flow Discretization
von: Cirone, Nicola Muca, et al.
Veröffentlicht: (2025)