Buchumschlag

Learning efficient and provably convergent splitting methods

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kreusser, L. M., Lockyer, H. E., Müller, E. H., Singh, P.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Parallel-in-Time Solutions with Random Projection Neural Networks
von: Betcke, Marta M., et al.
Veröffentlicht: (2024)

Models for information propagation on graphs
von: Dunbar, Oliver R. A., et al.
Veröffentlicht: (2022)

Learning rate adaptive stochastic gradient descent optimization methods: numerical simulations for deep learning methods for partial differential equations and convergence analyses
von: Dereich, Steffen, et al.
Veröffentlicht: (2024)

The Proof of Kolmogorov-Arnold May Illuminate Neural Network Learning
von: Freedman, Michael H.
Veröffentlicht: (2024)

Kernel Neural Operators (KNOs) for Scalable, Memory-efficient, Geometrically-flexible Operator Learning
von: Lowery, Matthew, et al.
Veröffentlicht: (2024)

VS-PINN: A fast and efficient training of physics-informed neural networks using variable-scaling methods for solving PDEs with stiff behavior
von: Ko, Seungchan, et al.
Veröffentlicht: (2024)

Bayesian Deep Learning with Multilevel Trace-class Neural Networks
von: Chada, Neil K., et al.
Veröffentlicht: (2022)

On the convergence and efficiency of splitting schemes for the Cahn-Hilliard-Biot model
von: Riethmüller, Cedric, et al.
Veröffentlicht: (2026)

Unified theoretical guarantees for stability, consistency, and convergence in neural PDE solvers from non-IID data to physics-informed networks
von: Katende, Ronald
Veröffentlicht: (2024)

Neural network-driven domain decomposition for efficient solutions to the Helmholtz equation
von: Dolean, Victorita, et al.
Veröffentlicht: (2025)

Deep learning methods for inverse problems using connections between proximal operators and Hamilton-Jacobi equations
von: Akande, Oluwatosin, et al.
Veröffentlicht: (2025)

FBSJNN: A Theoretically Interpretable and Efficiently Deep Learning method for Solving Partial Integro-Differential Equations
von: Ye, Zaijun, et al.
Veröffentlicht: (2024)

Ensembles provably learn equivariance through data augmentation
von: Nordenfors, Oskar, et al.
Veröffentlicht: (2024)

Full error analysis of the random deep splitting method for nonlinear parabolic PDEs and PIDEs
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

A Short Note on Batch-efficient Divide-and-Conquer Algorithm for EigenDecomposition
von: Song, Yue
Veröffentlicht: (2026)

Data-efficient Kernel Methods for Learning Hamiltonian Systems
von: Jalalian, Yasamin, et al.
Veröffentlicht: (2025)

Filtered Neural Galerkin model reduction schemes for efficient propagation of initial condition uncertainties in digital twins
von: Ning, Zhiyang, et al.
Veröffentlicht: (2025)

Variational (Energy-Based) Spectral Learning: A Machine Learning Framework for Solving Partial Differential Equations
von: Hammad, M. M.
Veröffentlicht: (2026)

Stein's method for marginals on large graphical models
von: Cui, Tiangang, et al.
Veröffentlicht: (2024)

Meshless method stencil evaluation with machine learning
von: Rot, Miha, et al.
Veröffentlicht: (2022)

High-dimensional multi-view clustering methods
von: Zahir, Alaeddine, et al.
Veröffentlicht: (2023)

Leveraging time and parameters for nonlinear model reduction methods
von: Glas, Silke, et al.
Veröffentlicht: (2025)

Deep Eigenspace Network for Parametric Non-self-adjoint Eigenvalue Problems
von: Li, H., et al.
Veröffentlicht: (2025)

A score-based particle method for homogeneous Landau equation
von: Huang, Yan, et al.
Veröffentlicht: (2024)

Neural active manifolds: nonlinear dimensionality reduction for uncertainty quantification
von: Zanoni, Andrea, et al.
Veröffentlicht: (2024)

The Parametric Complexity of Operator Learning
von: Lanthaler, Samuel, et al.
Veröffentlicht: (2023)

Dynamical Low-Rank Compression of Neural Networks with Robustness under Adversarial Attacks
von: Schotthöfer, Steffen, et al.
Veröffentlicht: (2025)

A note on the adjoint method for neural ordinary differential equation network
von: Hu, Pipi
Veröffentlicht: (2024)

JKO for Landau: a variational particle method for homogeneous Landau equation
von: Huang, Yan, et al.
Veröffentlicht: (2024)

Convergence of the directional diffusion splitting method
von: Drebotiy, R., et al.
Veröffentlicht: (2024)

A hybrid iterative method based on MIONet for PDEs: Theory and numerical examples
von: Hu, Jun, et al.
Veröffentlicht: (2024)

G-Adaptivity: optimised graph-based mesh relocation for finite element methods
von: Rowbottom, James, et al.
Veröffentlicht: (2024)

Stochastic generative methods for stable and accurate closure modeling of chaotic dynamical systems
von: Williams, Emily, et al.
Veröffentlicht: (2025)

A low-rank non-convex norm method for multiview graph clustering
von: Zahir, Alaeddine, et al.
Veröffentlicht: (2023)

Operator Learning: Algorithms and Analysis
von: Kovachki, Nikola B., et al.
Veröffentlicht: (2024)

Step-Size Decay and Structural Stagnation in Greedy Sparse Learning
von: Berná, Pablo M.
Veröffentlicht: (2026)

Neural networks can be FLOP-efficient integrators of 1D oscillatory integrands
von: Sinha, Anshuman, et al.
Veröffentlicht: (2024)

Continuum Attention for Neural Operators
von: Calvello, Edoardo, et al.
Veröffentlicht: (2024)

Linear cost and exponentially convergent approximation of Gaussian Matérn processes on intervals
von: Bolin, David, et al.
Veröffentlicht: (2024)

A fast neural hybrid Newton solver adapted to implicit methods for nonlinear dynamics
von: Jin, Tianyu, et al.
Veröffentlicht: (2024)