Buchumschlag

Learning dynamical systems from data: Gradient-based dictionary optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tabish, Mohammad, Chada, Neil K., Klus, Stefan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Dynamical Systems Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Optimization of randomized neural networks for transfer operator approximation
von: Tabish, Mohammad, et al.
Veröffentlicht: (2026)

How deep is your network? Deep vs. shallow learning of transfer operators
von: Tabish, Mohammad, et al.
Veröffentlicht: (2025)

Data-driven system identification using quadratic embeddings of nonlinear dynamics
von: Klus, Stefan, et al.
Veröffentlicht: (2025)

Dynamical systems and complex networks: A Koopman operator perspective
von: Klus, Stefan, et al.
Veröffentlicht: (2024)

Transfer operators on graphs: Spectral clustering and beyond
von: Klus, Stefan, et al.
Veröffentlicht: (2023)

Bayesian Transfer Operators in Reproducing Kernel Hilbert Spaces
von: Boshoff, Septimus, et al.
Veröffentlicht: (2025)

Clustering Time-Evolving Networks Using the Spatio-Temporal Graph Laplacian
von: Trower, Maia, et al.
Veröffentlicht: (2024)

Data-driven approximation of transfer operators for mean-field stochastic differential equations
von: Ioannou, Eirini, et al.
Veröffentlicht: (2025)

Deficiency of equation-finding approach to data-driven modeling of dynamical systems
von: Zhai, Zheng-Meng, et al.
Veröffentlicht: (2025)

Deep learning for model correction of dynamical systems with data scarcity
von: Tatsuoka, Caroline, et al.
Veröffentlicht: (2024)

Let's do the time-warp-attend: Learning topological invariants of dynamical systems
von: Moriel, Noa, et al.
Veröffentlicht: (2023)

Data-driven network analysis using local delay embeddings
von: Klus, Stefan, et al.
Veröffentlicht: (2024)

Learning dynamical systems from data: A simple cross-validation perspective, part III: Irregularly-Sampled Time Series
von: Lee, Jonghyeon, et al.
Veröffentlicht: (2021)

Nonlocal Kramers-Moyal formulas and data-driven discovery of stochastic dynamical systems with multiplicative Lévy noise
von: Li, Yang, et al.
Veröffentlicht: (2026)

Reconstruction of dynamical systems from data without time labels
von: Zeng, Zhijun, et al.
Veröffentlicht: (2023)

Control of dynamical systems with neural networks
von: Böttcher, Lucas
Veröffentlicht: (2025)

Sparse identification of nonlinear dynamics with library optimization mechanism: Recursive long-term prediction perspective
von: Yonezawa, Ansei, et al.
Veröffentlicht: (2025)

Explicit construction of recurrent neural networks effectively approximating discrete dynamical systems
von: Nakayama, Chikara, et al.
Veröffentlicht: (2024)

A scalable generative model for dynamical system reconstruction from neuroimaging data
von: Volkmann, Eric, et al.
Veröffentlicht: (2024)

Recovering the state and dynamics of autonomous system with partial states solution using neural networks
von: Kag, Vijay
Veröffentlicht: (2024)

Symmetric Hermite quadrature-based balanced truncation for learning linear dynamical systems from derivative data
von: Reiter, Sean, et al.
Veröffentlicht: (2026)

A joint optimization approach to identifying sparse dynamics using least squares kernel collocation
von: Hsu, Alexander W., et al.
Veröffentlicht: (2025)

Learning dynamical systems with biochemically informed neural ordinary differential equations
von: Fonseca, Luis L., et al.
Veröffentlicht: (2026)

Characterizing Dynamical Stability of Stochastic Gradient Descent in Overparameterized Learning
von: Chemnitz, Dennis, et al.
Veröffentlicht: (2024)

Machine Learning for the identification of phase-transitions in interacting agent-based systems: a Desai-Zwanzig example
von: Evangelou, Nikolaos, et al.
Veröffentlicht: (2023)

Is All Learning (Natural) Gradient Descent?
von: Shoji, Lucas, et al.
Veröffentlicht: (2024)

Hierarchical deep learning-based adaptive time-stepping scheme for multiscale simulations
von: Hamid, Asif, et al.
Veröffentlicht: (2023)

Reservoir computing for system identification and predictive control with limited data
von: Williams, Jan P., et al.
Veröffentlicht: (2024)

Absence of Closed-Form Descriptions for Gradient Flow in Two-Layer Narrow Networks
von: Park, Yeachan
Veröffentlicht: (2024)

Probabilistic function-on-function nonlinear autoregressive model for emulation and reliability analysis of dynamical systems
von: Song, Zhouzhou, et al.
Veröffentlicht: (2026)

Gradient Flow Equations for Deep Linear Neural Networks: A Survey from a Network Perspective
von: Wendin, Joel, et al.
Veröffentlicht: (2025)

Physics Informed Deep Learning for Strain Gradient Continuum Plasticity
von: Tyagi, Ankit, et al.
Veröffentlicht: (2024)

When are dynamical systems learned from time series data statistically accurate?
von: Park, Jeongjin, et al.
Veröffentlicht: (2024)

Decomposing heterogeneous dynamical systems with graph neural networks
von: Allier, Cédric, et al.
Veröffentlicht: (2024)

Discovering stochastic dynamical equations from biological time series data
von: Nabeel, Arshed, et al.
Veröffentlicht: (2022)

Semi-Gradient SARSA Routing with Theoretical Guarantee on Traffic Stability and Weight Convergence
von: Wu, Yidan, et al.
Veröffentlicht: (2025)

Random walk based snapshot clustering for detecting community dynamics in temporal networks
von: Blašković, Filip, et al.
Veröffentlicht: (2024)

Learning Koopman-based Stability Certificates for Unknown Nonlinear Systems
von: Zhou, Ruikun, et al.
Veröffentlicht: (2024)

From exponential to finite/fixed-time stability: Applications to optimization
von: Ozaslan, Ibrahim K., et al.
Veröffentlicht: (2024)

The Global Empirical NTK: Self-Referential Bias and Dimensionality of Gradient Descent Learning
von: Hazelden, James, et al.
Veröffentlicht: (2026)