Buchumschlag

Ensembles provably learn equivariance through data augmentation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nordenfors, Oskar, Flinth, Axel
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Numerical Analysis 68T07 (primary), 3799, 20C35
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Data Augmentation and Regularization for Learning Group Equivariance
von: Nordenfors, Oskar, et al.
Veröffentlicht: (2025)

Optimization Dynamics of Equivariant and Augmented Neural Networks
von: Nordenfors, Oskar, et al.
Veröffentlicht: (2023)

Deep Adaptive Dimension Reduction for Bayesian Inference in Inverse Problems
von: Wang, Yueyang, et al.
Veröffentlicht: (2026)

Enhanced uncertainty quantification variational autoencoders for the solution of Bayesian inverse problems
von: Tonini, Andrea, et al.
Veröffentlicht: (2025)

Energy Dissipation Rate Guided Adaptive Sampling for Physics-Informed Neural Networks: Resolving Surface-Bulk Dynamics in Allen-Cahn Systems
von: Li, Chunyan, et al.
Veröffentlicht: (2025)

A scaled TW-PINN: A physics-informed neural network for traveling wave solutions of reaction-diffusion equations with general coefficients
von: Han, Seungwan, et al.
Veröffentlicht: (2026)

Deep neural networks with ReLU, leaky ReLU, and softplus activation provably overcome the curse of dimensionality for space-time solutions of semilinear partial differential equations
von: Ackermann, Julia, et al.
Veröffentlicht: (2024)

A forward differential deep learning-based algorithm for solving high-dimensional nonlinear backward stochastic differential equations
von: Kapllani, Lorenc, et al.
Veröffentlicht: (2024)

A backward differential deep learning-based algorithm for solving high-dimensional nonlinear backward stochastic differential equations
von: Kapllani, Lorenc, et al.
Veröffentlicht: (2024)

Error estimates of asymptotic-preserving neural networks in approximating stochastic linearized Boltzmann equation
von: Wan, Jiayu, et al.
Veröffentlicht: (2025)

The learned range test method for the inverse inclusion problem
von: Sun, Shiwei, et al.
Veröffentlicht: (2024)

Deep neural networks with ReLU, leaky ReLU, and softplus activation provably overcome the curse of dimensionality for Kolmogorov partial differential equations with Lipschitz nonlinearities in the $L^p$-sense
von: Ackermann, Julia, et al.
Veröffentlicht: (2023)

Adaptive recurrent flow map operator learning for reaction diffusion dynamics
von: Tunc, Huseyin
Veröffentlicht: (2026)

Solving the Fisher nonlinear differential equations via Physics-Informed Neural Networks: A Comprehensive Retraining Study and Comparative Analysis with the Finite Difference Method
von: Aberqi, Ahmed, et al.
Veröffentlicht: (2026)

Solving the BGK Model and Boltzmann equation by Fourier Neural Operator with conservative constraints
von: Hu, Boyun, et al.
Veröffentlicht: (2025)

Physics-informed approach for exploratory Hamilton--Jacobi--Bellman equations via policy iterations
von: Kim, Yeongjong, et al.
Veröffentlicht: (2025)

A posteriori certification for neural network approximations to PDEs
von: Ernst, Lewin, et al.
Veröffentlicht: (2025)

Recurrent Neural Operators: Stable Long-Term PDE Prediction
von: Ye, Zaijun, et al.
Veröffentlicht: (2025)

Automated Code Generation and Validation for Software Components of Microcontrollers
von: Haug, Sebastian, et al.
Veröffentlicht: (2025)

Improved bounds for randomized Schatten norm estimation of numerically low-rank matrices
von: Chu, Ya-Chi, et al.
Veröffentlicht: (2024)

Neural Actor-Critic Methods for Hamilton-Jacobi-Bellman PDEs: Asymptotic Analysis and Numerical Studies
von: Cohen, Samuel N., et al.
Veröffentlicht: (2025)

Score-based constrained generative modeling via Langevin diffusions with boundary conditions
von: Nordenhög, Adam, et al.
Veröffentlicht: (2025)

A short tour of operator learning theory: Convergence rates, statistical limits, and open questions
von: Brugiapaglia, Simone, et al.
Veröffentlicht: (2026)

Single-shot prediction of parametric partial differential equations
von: Rafiq, Khalid, et al.
Veröffentlicht: (2025)

Embedding Inequalities for Barron-type Spaces
von: Wu, Lei
Veröffentlicht: (2023)

Approximation theory for 1-Lipschitz ResNets
von: Murari, Davide, et al.
Veröffentlicht: (2025)

Numerical PDE solvers outperform neural PDE solvers
von: Chatain, Patrick, et al.
Veröffentlicht: (2025)

Separable Physics-informed Neural Networks for Solving the BGK Model of the Boltzmann Equation
von: Oh, Jaemin, et al.
Veröffentlicht: (2024)

On the Regularity and Generalization of One-Step Wasserstein-guided Generative Models for PDE-Induced Measures
von: Lin, Likun, et al.
Veröffentlicht: (2026)

A Physics-Informed, Global-in-Time Neural Particle Method for the Spatially Homogeneous Landau Equation
von: Kim, Minseok, et al.
Veröffentlicht: (2026)

Physics-informed features in supervised machine learning
von: Lampani, Margherita, et al.
Veröffentlicht: (2025)

Learning to Control the Smoothness of Graph Convolutional Network Features
von: Wang, Shih-Hsin, et al.
Veröffentlicht: (2024)

Deep neural networks can provably solve Bellman equations for Markov decision processes without the curse of dimensionality
von: Jentzen, Arnulf, et al.
Veröffentlicht: (2025)

Edge-Wise Graph-Instructed Neural Networks
von: Della Santa, Francesco, et al.
Veröffentlicht: (2024)

A Structure-Preserving Framework for Solving Parabolic Partial Differential Equations with Neural Networks
von: Chen, Gaohang, et al.
Veröffentlicht: (2025)

Pseudo-Differential Neural Operator: Generalized Fourier Neural Operator for Learning Solution Operators of Partial Differential Equations
von: Shin, Jin Young, et al.
Veröffentlicht: (2022)

Neural Shape Operator Surrogates -- Expression Rate Bounds
von: Harbrecht, Helmut, et al.
Veröffentlicht: (2026)

A 3D Machine Learning based Volume Of Fluid scheme without explicit interface reconstruction
von: Pintore, Moreno, et al.
Veröffentlicht: (2025)

Neural Discovery of Strichartz Extremizers
von: Valenzuela, Nicolás, et al.
Veröffentlicht: (2026)

In-Context Operator Learning on the Space of Probability Measures
von: Cole, Frank, et al.
Veröffentlicht: (2026)