Buchumschlag

Machine Learning for Inverse Problems and Data Assimilation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bach, Eviatar, Baptista, Ricardo, Sanz-Alonso, Daniel, Stuart, Andrew
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

Continuous Data Assimilation with Learned Surrogate Dynamics
von: Li, Wenwen, et al.
Veröffentlicht: (2026)

Nesterov Acceleration for Ensemble Kalman Inversion and Variants
von: Vernon, Sydney, et al.
Veröffentlicht: (2025)

Learning Enhanced Ensemble Filters
von: Bach, Eviatar, et al.
Veröffentlicht: (2025)

Stability of Data-Dependent Ridge-Regularization for Inverse Problems
von: Neumayer, Sebastian, et al.
Veröffentlicht: (2024)

Inverse Optimization for Routing Problems
von: Scroccaro, Pedro Zattoni, et al.
Veröffentlicht: (2023)

LEVDA: Latent Ensemble Variational Data Assimilation via Differentiable Dynamics
von: Si, Phillip, et al.
Veröffentlicht: (2026)

Memorization and Regularization in Generative Diffusion Models
von: Baptista, Ricardo, et al.
Veröffentlicht: (2025)

Filtering Dynamical Systems Using Observations of Statistics
von: Bach, Eviatar, et al.
Veröffentlicht: (2023)

Fast Algorithm for Constrained Linear Inverse Problems
von: Sheriff, Mohammed Rayyan, et al.
Veröffentlicht: (2022)

Learning Surrogate Potential Mean Field Games via Gaussian Processes: A Data-Driven Approach to Ill-Posed Inverse Problems
von: Zhang, Jingguo, et al.
Veröffentlicht: (2025)

Optimization Landscapes Learned: Proxy Networks Boost Convergence in Physics-based Inverse Problems
von: Goyal, Girnar, et al.
Veröffentlicht: (2025)

Proximal-Based Generative Modeling for Bayesian Inverse Problems
von: Zhang, Boyang, et al.
Veröffentlicht: (2026)

Learning Regularization Functionals for Inverse Problems: A Comparative Study
von: Hertrich, Johannes, et al.
Veröffentlicht: (2025)

On the Effectiveness of the z-Transform Method in Quadratic Optimization
von: Bach, Francis
Veröffentlicht: (2025)

A Convex Loss Function for Set Prediction with Optimal Trade-offs Between Size and Conditional Coverage
von: Bach, Francis
Veröffentlicht: (2025)

Optimal Data Splitting in Distributed Optimization for Machine Learning
von: Medyakov, Daniil, et al.
Veröffentlicht: (2024)

Stochastic Inverse Problem: stability, regularization and Wasserstein gradient flow
von: Li, Qin, et al.
Veröffentlicht: (2024)

Benchmarking Diffusion Annealing-Based Bayesian Inverse Problem Solvers
von: Crafts, Evan Scope, et al.
Veröffentlicht: (2025)

$k$-Submodular Interdiction Problems under Distributional Risk-Receptiveness and Robustness: Application to Machine Learning
von: Park, Seonghun, et al.
Veröffentlicht: (2024)

From Data to Uncertainty Sets: a Machine Learning Approach
von: Bertsimas, Dimitris, et al.
Veröffentlicht: (2025)

Offline Reinforcement Learning via Inverse Optimization
von: Dimanidis, Ioannis, et al.
Veröffentlicht: (2025)

A Fenchel-Young Loss Approach to Data-Driven Inverse Optimization
von: Li, Zhehao, et al.
Veröffentlicht: (2025)

Accelerated Methods with Complexity Separation Under Data Similarity for Federated Learning Problems
von: Bylinkin, Dmitry, et al.
Veröffentlicht: (2026)

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

Offline Hierarchical Reinforcement Learning via Inverse Optimization
von: Schmidt, Carolin, et al.
Veröffentlicht: (2024)

Improving Surrogate Model Robustness to Perturbations for Dynamical Systems Through Machine Learning and Data Assimilation
von: Ajayakumar, Abhishek, et al.
Veröffentlicht: (2023)

Form and Function: Machine Unlearning as a Problem of Misaligned States
von: Stewart, Kennon
Veröffentlicht: (2026)

Bayesian Optimization on Networks
von: Li, Wenwen, et al.
Veröffentlicht: (2025)

Multi-Objective Optimization-Based Anonymization of Structured Data for Machine Learning Application
von: Wei, Yusi, et al.
Veröffentlicht: (2025)

The Data-Driven Censored Newsvendor Problem
von: Hssaine, Chamsi, et al.
Veröffentlicht: (2024)

Scaling Laws for Gradient Descent and Sign Descent for Linear Bigram Models under Zipf's Law
von: Kunstner, Frederik, et al.
Veröffentlicht: (2025)

Learning in Inverse Optimization: Incenter Cost, Augmented Suboptimality Loss, and Algorithms
von: Scroccaro, Pedro Zattoni, et al.
Veröffentlicht: (2023)

Wasserstein Distributionally Robust Optimization: Theory and Applications in Machine Learning
von: Kuhn, Daniel, et al.
Veröffentlicht: (2019)

Conditional simulation via entropic optimal transport: Toward non-parametric estimation of conditional Brenier maps
von: Baptista, Ricardo, et al.
Veröffentlicht: (2024)

Machine Learning Guided Optimal Transmission Switching to Mitigate Wildfire Ignition Risk
von: Huang, Weimin, et al.
Veröffentlicht: (2025)

The Surprising Agreement Between Convex Optimization Theory and Learning-Rate Scheduling for Large Model Training
von: Schaipp, Fabian, et al.
Veröffentlicht: (2025)

A Geometric Approach to Problems in Optimization and Data Science
von: Manoj, Naren Sarayu
Veröffentlicht: (2025)

Fourier Learning Machines: Nonharmonic Fourier-Based Neural Networks for Scientific Machine Learning
von: Rubel, Mominul, et al.
Veröffentlicht: (2025)

On Learning for Ambiguous Chance Constrained Problems
von: Madhusudanarao, A Ch, et al.
Veröffentlicht: (2023)

Stochastic Constrained Decentralized Optimization for Machine Learning with Fewer Data Oracles: a Gradient Sliding Approach
von: Nguyen, Hoang Huy, et al.
Veröffentlicht: (2024)