Buchumschlag

Calibrating Neural Networks' parameters through Optimal Contraction in a Prediction Problem

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Gonzalo, Valdes
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Optimality-Informed Neural Networks for Solving Parametric Optimization Problems
von: Hoffmann, Matthias K., et al.
Veröffentlicht: (2025)

Exploring the Potential of Bilevel Optimization for Calibrating Neural Networks
von: Sanguin, Gabriele, et al.
Veröffentlicht: (2025)

Optimal Depth of Neural Networks
von: Qi, Qian
Veröffentlicht: (2025)

Solving Elliptic Optimal Control Problems via Neural Networks and Optimality System
von: Dai, Yongcheng, et al.
Veröffentlicht: (2023)

Contraction-Guided Adaptive Partitioning for Reachability Analysis of Neural Network Controlled Systems
von: Harapanahalli, Akash, et al.
Veröffentlicht: (2023)

A Nonlinear Separation Principle via Contraction Theory: Applications to Neural Networks, Control, and Learning
von: Gokhale, Anand, et al.
Veröffentlicht: (2026)

Discrete-time Contraction-based Control of Nonlinear Systems with Parametric Uncertainties using Neural Networks
von: Wei, Lai, et al.
Veröffentlicht: (2021)

On Integer Programming for the Binarized Neural Network Verification Problem
von: Kim, Woojin, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks with Hard Linear Equality Constraints
von: Chen, Hao, et al.
Veröffentlicht: (2024)

Learning Neural Contracting Dynamics: Extended Linearization and Global Guarantees
von: Jaffe, Sean, et al.
Veröffentlicht: (2024)

Deep Operator Neural Network Model Predictive Control
von: de Jong, Thomas Oliver, et al.
Veröffentlicht: (2025)

Towards Optimal Branching of Linear and Semidefinite Relaxations for Neural Network Robustness Certification
von: Anderson, Brendon G., et al.
Veröffentlicht: (2021)

A Guaranteed-Stable Neural Network Approach for Optimal Control of Nonlinear Systems
von: Li, Anran, et al.
Veröffentlicht: (2025)

Bayesian Optimization of a Lightweight and Accurate Neural Network for Aerodynamic Performance Prediction
von: Shihua, James M., et al.
Veröffentlicht: (2025)

Neural Contraction Metrics with Formal Guarantees for Discrete-Time Nonlinear Dynamical Systems
von: Li, Haoyu, et al.
Veröffentlicht: (2025)

Deep Learning for the Multiple Optimal Stopping Problem
von: Laurière, Mathieu, et al.
Veröffentlicht: (2025)

Solving Max-Cut to Global Optimality via Feasibility-Preserving Graph Neural Networks
von: Chen, Hao, et al.
Veröffentlicht: (2026)

Scalable Solution of the Stochastic Multi-path Traveling Salesman Problem via Neural Networks
von: Chou, Xiaochen, et al.
Veröffentlicht: (2026)

Riemannian Neural Optimal Transport
von: Micheli, Alessandro, et al.
Veröffentlicht: (2026)

Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization
von: Zhang, Fangzhao, et al.
Veröffentlicht: (2024)

Assessing and Enhancing Graph Neural Networks for Combinatorial Optimization: Novel Approaches and Application in Maximum Independent Set Problems
von: Hu, Chenchuhui
Veröffentlicht: (2024)

Solving Inverse Problems with Deep Linear Neural Networks: Global Convergence Guarantees for Gradient Descent with Weight Decay
von: Laus, Hannah, et al.
Veröffentlicht: (2025)

Zero-Shot Transferable Solution Method for Parametric Optimal Control Problems
von: Li, Xingjian, et al.
Veröffentlicht: (2025)

Neural Collapse versus Low-rank Bias: Is Deep Neural Collapse Really Optimal?
von: Súkeník, Peter, et al.
Veröffentlicht: (2024)

An Optimal Transport Approach for Network Regression
von: Zalles, Alex G., et al.
Veröffentlicht: (2024)

Heuristic Optimal Transport in Branching Networks
von: Andrecut, M.
Veröffentlicht: (2023)

Closing the Gaps: Optimality of Sample Average Approximation for Data-Driven Newsvendor Problems
von: Lyu, Jiameng, et al.
Veröffentlicht: (2024)

Asymptotically Optimal Regret for Black-Box Predict-then-Optimize
von: Tan, Samuel, et al.
Veröffentlicht: (2024)

PINNs in PDE Constrained Optimal Control Problems: Direct vs Indirect Methods
von: Zhang, Zhen, et al.
Veröffentlicht: (2026)

Deterministic Trajectory Optimization through Probabilistic Optimal Control
von: Filabadi, Mohammad Mahmoudi, et al.
Veröffentlicht: (2024)

More Optimal Fractional-Order Stochastic Gradient Descent for Non-Convex Optimization Problems
von: Partohaghighi, Mohammad, et al.
Veröffentlicht: (2025)

Graph Neural Networks for the Offline Nanosatellite Task Scheduling Problem
von: Pacheco, Bruno Machado, et al.
Veröffentlicht: (2023)

Learning Optimal Control and Dynamical Structure of Global Trajectory Search Problems with Diffusion Models
von: Graebner, Jannik, et al.
Veröffentlicht: (2024)

Adjoint Matching through the Lens of the Stochastic Maximum Principle in Optimal Control
von: Domingo-Enrich, Carles, et al.
Veröffentlicht: (2026)

KKT-Informed Neural Network
von: Femine, Carmine Delle
Veröffentlicht: (2024)

On the Convergence of Overparameterized Problems: Inherent Properties of the Compositional Structure of Neural Networks
von: de Oliveira, Arthur Castello Branco, et al.
Veröffentlicht: (2025)

ODTlearn: A Package for Learning Optimal Decision Trees for Prediction and Prescription
von: Vossler, Patrick, et al.
Veröffentlicht: (2023)

Concentration of Contractive Stochastic Approximation: Additive and Multiplicative Noise
von: Chen, Zaiwei, et al.
Veröffentlicht: (2023)

Beyond the Neural Fog: Interpretable Learning for AC Optimal Power Flow
von: Pineda, Salvador, et al.
Veröffentlicht: (2024)

Optimal Potential Shaping on SE(3) via Neural ODEs on Lie Groups
von: Wotte, Yannik P., et al.
Veröffentlicht: (2024)