Buchumschlag

GINN-KAN: Interpretability pipelining with applications in Physics Informed Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ranasinghe, Nisal, Xia, Yu, Seneviratne, Sachith, Halgamuge, Saman
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

GINN-LP: A Growing Interpretable Neural Network for Discovering Multivariate Laurent Polynomial Equations
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2023)

Graph-Eq: Discovering Mathematical Equations using Graph Generative Models
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2025)

Rethinking Time Series Forecasting with LLMs via Nearest Neighbor Contrastive Learning
von: Bogahawatte, Jayanie, et al.
Veröffentlicht: (2024)

FRAME-C: A knowledge-augmented deep learning pipeline for classifying multi-electrode array electrophysiological signals
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2025)

From Specification to Architecture: A Theory Compiler for Knowledge-Guided Machine Learning
von: Hevapathige, Asela, et al.
Veröffentlicht: (2026)

MSRAMIE: Multimodal Structured Reasoning Agent for Multi-instruction Image Editing
von: Qiu, Zhaoyuan, et al.
Veröffentlicht: (2026)

Multi-task GINN-LP for Multi-target Symbolic Regression
von: Rajabu, Hussein, et al.
Veröffentlicht: (2025)

Complex Physics-Informed Neural Network
von: Si, Chenhao, et al.
Veröffentlicht: (2025)

Densely Multiplied Physics Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2024)

Physics-Informed Machine Learning for Vessel Shaft Power and Fuel Consumption Prediction: Interpretable KAN-based Approach
von: Mohammed, Hamza Haruna, et al.
Veröffentlicht: (2026)

Enhancing Neural Function Approximation: The XNet Outperforming KAN
von: Li, Xin, et al.
Veröffentlicht: (2025)

SphOR: A Representation Learning Perspective on Open-set Recognition for Identifying Unknown Classes in Deep Learning Models
von: Bahavan, Nadarasar, et al.
Veröffentlicht: (2025)

Parameter-efficient Prompt Tuning and Hierarchical Textual Guidance for Few-shot Whole Slide Image Classification
von: Bogahawatte, Jayanie, et al.
Veröffentlicht: (2026)

Arch-VQ: Discrete Architecture Representation Learning with Autoregressive Priors
von: Poddenige, Deshani Geethika, et al.
Veröffentlicht: (2025)

Factor Graph-based Interpretable Neural Networks
von: Li, Yicong, et al.
Veröffentlicht: (2025)

Mask-PINNs: Mitigating Internal Covariate Shift in Physics-Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2025)

DecoKAN: Interpretable Decomposition for Forecasting Cryptocurrency Market Dynamics
von: Gao, Yuan, et al.
Veröffentlicht: (2025)

Model Comparisons: XNet Outperforms KAN
von: Li, Xin, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks and Extensions
von: Raissi, Maziar, et al.
Veröffentlicht: (2024)

KAN or MLP: A Fairer Comparison
von: Yu, Runpeng, et al.
Veröffentlicht: (2024)

Geometric Kolmogorov--Arnold Network (GeoKAN)
von: Sen, Abhijit, et al.
Veröffentlicht: (2026)

Faithful Interpretation for Graph Neural Networks
von: Hu, Lijie, et al.
Veröffentlicht: (2024)

seqKAN: Sequence processing with Kolmogorov-Arnold Networks
von: Boura, Tatiana, et al.
Veröffentlicht: (2025)

Clustering-based Multitasking Deep Neural Network for Solar Photovoltaics Power Generation Prediction
von: Song, Hui, et al.
Veröffentlicht: (2024)

Element-wise Multiplication Based Deeper Physics-Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2024)

Physics-Informed Graph Neural Networks for Water Distribution Systems
von: Ashraf, Inaam, et al.
Veröffentlicht: (2024)

Improved Training of Physics-Informed Neural Networks with Model Ensembles
von: Haitsiukevich, Katsiaryna, et al.
Veröffentlicht: (2022)

Lightweight Geometric Adaptation for Training Physics-Informed Neural Networks
von: An, Kang, et al.
Veröffentlicht: (2026)

Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks
von: Mazandarani, Mehran, et al.
Veröffentlicht: (2025)

Evidential Physics-Informed Neural Networks
von: Tan, Hai Siong, et al.
Veröffentlicht: (2025)

WormKAN: Are KAN Effective for Identifying and Tracking Concept Drift in Time Series?
von: Xu, Kunpeng, et al.
Veröffentlicht: (2024)

Graph Neural Networks for Physical-Layer Security in Multi-User Flexible-Duplex Networks
von: Perera, Tharaka, et al.
Veröffentlicht: (2024)

SOLIS: Physics-Informed Learning of Interpretable Neural Surrogates for Nonlinear Systems
von: Mansur, Murat Furkan, et al.
Veröffentlicht: (2026)

Meta-Learning and Knowledge Discovery based Physics-Informed Neural Network for Remaining Useful Life Prediction
von: Wang, Yu, et al.
Veröffentlicht: (2025)

Exploring Physics-Informed Neural Networks for Crop Yield Loss Forecasting
von: Miranda, Miro, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Network Surrogate Models for River Stage Prediction
von: Zoch, Maximilian, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks with Learnable Loss Balancing and Transfer Learning
von: Pirayeshshirazinezhad, Reza
Veröffentlicht: (2026)

Interpreting GFlowNets for Drug Discovery: Extracting Actionable Insights for Medicinal Chemistry
von: S, Amirtha Varshini A, et al.
Veröffentlicht: (2025)

GraphKAN: Enhancing Feature Extraction with Graph Kolmogorov Arnold Networks
von: Zhang, Fan, et al.
Veröffentlicht: (2024)

DIM: Enforcing Domain-Informed Monotonicity in Deep Neural Networks
von: Salim, Joshua, et al.
Veröffentlicht: (2025)