Buchumschlag

Practical multi-fidelity machine learning: fusion of deterministic and Bayesian models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yi, Jiaxiang, Cheng, Ji, Bessa, Miguel A.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Single- to multi-fidelity history-dependent learning with uncertainty quantification and disentanglement: application to data-driven constitutive modeling
von: Yi, Jiaxiang, et al.
Veröffentlicht: (2025)

Cooperative Variance Estimation and Bayesian Neural Networks for Disentangling Aleatoric and Epistemic Uncertainties
von: Yi, Jiaxiang, et al.
Veröffentlicht: (2025)

Learning from the past: predicting critical transitions with machine learning trained on surrogates of historical data
von: Ma, Zhiqin, et al.
Veröffentlicht: (2024)

Negative Dependence as a toolbox for machine learning : review and new developments
von: Tran, Hoang-Son, et al.
Veröffentlicht: (2025)

The feasibility of multi-graph alignment: a Bayesian approach
von: Vassaux, Louis, et al.
Veröffentlicht: (2025)

Anticipating tipping in spatiotemporal systems with machine learning
von: Deb, Smita, et al.
Veröffentlicht: (2026)

Multi-fidelity Gaussian process surrogate modeling for regression problems in physics
von: Ravi, Kislaya, et al.
Veröffentlicht: (2024)

Equivariant score-based generative models provably learn distributions with symmetries efficiently
von: Chen, Ziyu, et al.
Veröffentlicht: (2024)

Identifying topology of leaky photonic lattices with machine learning
von: Smolina, Ekaterina O., et al.
Veröffentlicht: (2023)

The conditional-mean barrier: From deterministic regression to conditional distribution learning
von: Chen, Junfeng
Veröffentlicht: (2026)

Diffusion-based supervised learning of generative models for efficient sampling of multimodal distributions
von: Tran, Hoang, et al.
Veröffentlicht: (2025)

Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification
von: Sharma, Himanshu, et al.
Veröffentlicht: (2024)

Surveying the space of descriptions of a composite system with machine learning
von: Murphy, Kieran A., et al.
Veröffentlicht: (2024)

BN-Pool: Bayesian Nonparametric Pooling for Graphs
von: Castellana, Daniele, et al.
Veröffentlicht: (2025)

Universality of first-order methods on random and deterministic matrices
von: Gorini, Nicola, et al.
Veröffentlicht: (2026)

Partially Stochastic Infinitely Deep Bayesian Neural Networks
von: Calvo-Ordonez, Sergio, et al.
Veröffentlicht: (2024)

Large deviation principles for convolutional Bayesian neural networks
von: Bassetti, Federico, et al.
Veröffentlicht: (2026)

Development of a high-resolution indoor radon map using a new machine learning-based probabilistic model and German radon survey data
von: Petermann, Eric, et al.
Veröffentlicht: (2023)

Comparative study of machine learning and statistical methods for automatic identification and quantification in γ-ray spectrometry
von: Phan, Dinh Triem, et al.
Veröffentlicht: (2025)

Variational Bayesian inference for CP tensor completion with side information
von: Budzinskiy, Stanislav, et al.
Veröffentlicht: (2022)

Scientific machine learning in Hydrology: a unified perspective
von: Adombi, Adoubi Vincent De Paul
Veröffentlicht: (2025)

Student-t processes as infinite-width limits of posterior Bayesian neural networks
von: Caporali, Francesco, et al.
Veröffentlicht: (2025)

Cooperative data-driven modeling
von: Dekhovich, Aleksandr, et al.
Veröffentlicht: (2022)

Gaussian Approximation for Asynchronous Q-learning
von: Rubtsov, Artemy, et al.
Veröffentlicht: (2026)

An application of machine learning to the motion response prediction of floating assets
von: Morris-Thomas, Michael T. M. B., et al.
Veröffentlicht: (2025)

Improving aircraft performance using machine learning: a review
von: Clainche, Soledad Le, et al.
Veröffentlicht: (2022)

Is machine learning good or bad for the natural sciences?
von: Hogg, David W., et al.
Veröffentlicht: (2024)

Bayesian Latent Space Models for Graphs Are Misspecified: Toward Robust Inference via Generalized Posteriors
von: Labarthe, Aldric
Veröffentlicht: (2026)

Score matching for bridges without learning time-reversals
von: Baker, Elizabeth L., et al.
Veröffentlicht: (2024)

Approximating G(t)/GI/1 queues with deep learning
von: Sherzer, Eliran, et al.
Veröffentlicht: (2024)

Neural stochastic Volterra equations: learning path-dependent dynamics
von: Bergerhausen, Martin, et al.
Veröffentlicht: (2024)

Machine learning-based system reliability analysis with Gaussian Process Regression
von: Zhou, Lisang, et al.
Veröffentlicht: (2024)

Active operator learning with predictive uncertainty quantification for partial differential equations
von: Winovich, Nick, et al.
Veröffentlicht: (2025)

Bayesian identification of nonseparable Hamiltonians with multiplicative noise using deep learning and reduced-order modeling
von: Galioto, Nicholas, et al.
Veröffentlicht: (2024)

Are Bayesian networks typically faithful?
von: Boeken, Philip, et al.
Veröffentlicht: (2024)

Information decomposition in complex systems via machine learning
von: Murphy, Kieran A., et al.
Veröffentlicht: (2023)

Comparing statistical and deep learning techniques for parameter estimation of continuous-time stochastic differentiable equations
von: Sankoh, Aroon, et al.
Veröffentlicht: (2025)

Bayesian Inference with Deep Weakly Nonlinear Networks
von: Hanin, Boris, et al.
Veröffentlicht: (2024)

Exponentially improved efficient machine learning for quantum many-body states with provable guarantees
von: Che, Yanming, et al.
Veröffentlicht: (2023)

Analyzing homogenous and heterogeneous multi-server queues via neural networks
von: Sherzer, Eliran
Veröffentlicht: (2025)