:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yuanyuan, Grohs, Philipp, Petersen, Philipp
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2411.05453
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Robust and Fast Training via Per-Sample Clipping
von: Nobile, Davide, et al.
Veröffentlicht: (2026)

Accurate Ab-initio Neural-network Solutions to Large-Scale Electronic Structure Problems
von: Scherbela, Michael, et al.
Veröffentlicht: (2025)

Theory-to-Practice Gap for Neural Networks and Neural Operators
von: Grohs, Philipp, et al.
Veröffentlicht: (2025)

BayesFlow: Learning complex stochastic models with invertible neural networks
von: Radev, Stefan T., et al.
Veröffentlicht: (2020)

Causal pieces: analysing and improving spiking neural networks piece by piece
von: Dold, Dominik, et al.
Veröffentlicht: (2025)

Mathematical theory of deep learning
von: Petersen, Philipp, et al.
Veröffentlicht: (2024)

Certified and accurate computation of function space norms of deep neural networks
von: Gründler, Johannes, et al.
Veröffentlicht: (2026)

Koopman operator learning using invertible neural networks
von: Meng, Yuhuang, et al.
Veröffentlicht: (2023)

FakET: Simulating Cryo-Electron Tomograms with Neural Style Transfer
von: Harar, Pavol, et al.
Veröffentlicht: (2023)

Transferable Neural Wavefunctions for Solids
von: Gerard, Leon, et al.
Veröffentlicht: (2024)

Equivalence of approximation by networks of single- and multi-spike neurons
von: Dold, Dominik, et al.
Veröffentlicht: (2026)

Minimax learning rates for estimating binary classifiers under margin conditions
von: García, Jonathan, et al.
Veröffentlicht: (2025)

Universal approximation property of Banach space-valued random feature models including random neural networks
von: Neufeld, Ariel, et al.
Veröffentlicht: (2023)

Implicit regularization of deep residual networks towards neural ODEs
von: Marion, Pierre, et al.
Veröffentlicht: (2023)

Solving stochastic partial differential equations using neural networks in the Wiener chaos expansion
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

Approximation rates of quantum neural networks for periodic functions via Jackson's inequality
von: Neufeld, Ariel, et al.
Veröffentlicht: (2025)

Simple lessons from complex learning: what a neural network model learns about cosmic structure formation
von: Jamieson, Drew, et al.
Veröffentlicht: (2022)

Universal approximation results for neural networks with non-polynomial activation function over non-compact domains
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

The Hessian of tall-skinny networks is easy to invert
von: Rahimi, Ali
Veröffentlicht: (2026)

Sobolev neural network with residual weighting as a surrogate in linear and non-linear mechanics
von: Kilicsoy, A. O. M., et al.
Veröffentlicht: (2024)

Detecting Undesired Process Behavior by Means of Retrieval Augmented Generation
von: Grohs, Michael, et al.
Veröffentlicht: (2025)

Bayesian continual learning and forgetting in neural networks
von: Bonnet, Djohan, et al.
Veröffentlicht: (2025)

Active partitioning: inverting the paradigm of active learning
von: Tacke, Marius, et al.
Veröffentlicht: (2024)

Machine learning of network inference enhancement from noisy measurements
von: Wu, Kai, et al.
Veröffentlicht: (2023)

$Δ$-PINNs: physics-informed neural networks on complex geometries
von: Costabal, Francisco Sahli, et al.
Veröffentlicht: (2022)

A Fourier perspective on the learning dynamics of neural networks: from sample complexities to mechanistic insights
von: Ricci, Fabiola, et al.
Veröffentlicht: (2026)

Probabilistic neural operators for functional uncertainty quantification
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

On residual network depth
von: Dherin, Benoit, et al.
Veröffentlicht: (2025)

Multi-task neural networks by learned contextual inputs
von: Sandnes, Anders T., et al.
Veröffentlicht: (2023)

On the rates of convergence for learning with convolutional neural networks
von: Yang, Yunfei, et al.
Veröffentlicht: (2024)

Hard-constraining Neumann boundary conditions in physics-informed neural networks via Fourier feature embeddings
von: Straub, Christopher, et al.
Veröffentlicht: (2025)

Early learning of the optimal constant solution in neural networks and humans
von: Rubruck, Jirko, et al.
Veröffentlicht: (2024)

Emergence and scaling laws in SGD learning of shallow neural networks
von: Ren, Yunwei, et al.
Veröffentlicht: (2025)

Universal approximation with complex-valued deep narrow neural networks
von: Geuchen, Paul, et al.
Veröffentlicht: (2023)

Fusing CFD and measurement data using transfer learning
von: Barklage, Alexander, et al.
Veröffentlicht: (2025)

Self-adaptive weights based on balanced residual decay rate for physics-informed neural networks and deep operator networks
von: Chen, Wenqian, et al.
Veröffentlicht: (2024)

High-dimensional classification problems with Barron regular boundaries under margin conditions
von: García, Jonathan, et al.
Veröffentlicht: (2024)

Manifold meta-learning for reduced-complexity neural system identification
von: Forgione, Marco, et al.
Veröffentlicht: (2025)

Convergence of gradient flow for learning convolutional neural networks
von: Diederen, Jona-Maria, et al.
Veröffentlicht: (2026)

Phaseless sampling on square-root lattices
von: Grohs, Philipp, et al.
Veröffentlicht: (2022)