:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tacke, Marius, Busch, Matthias, Linka, Kevin, Cyron, Christian J., Aydin, Roland C.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2411.18254
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Automating modeling in mechanics: LLMs as designers of physics-constrained neural networks for constitutive modeling of materials
von: Tacke, Marius, et al.
Veröffentlicht: (2025)

LLM-driven design of physics-constrained constitutive models: two agents are better than one
von: Tacke, Marius, et al.
Veröffentlicht: (2026)

In-Context Molecular Property Prediction with LLMs: A Blinding Study on Memorization and Knowledge Conflicts
von: Busch, Matthias, et al.
Veröffentlicht: (2026)

Machine-learned domain partitioning for computationally efficient coupling of continuum and particle simulations of membrane fabrication
von: Busch, Matthias, et al.
Veröffentlicht: (2025)

Constitutive Kolmogorov-Arnold Networks (CKANs): Combining Accuracy and Interpretability in Data-Driven Material Modeling
von: Abdolazizi, Kian P., et al.
Veröffentlicht: (2025)

ECToNAS: Evolutionary Cross-Topology Neural Architecture Search
von: Schiessler, Elisabeth J., et al.
Veröffentlicht: (2024)

From Model Training to Model Raising
von: Aydin, Roland, et al.
Veröffentlicht: (2025)

Atrial constitutive neural networks
von: Peirlinck, Mathias, et al.
Veröffentlicht: (2025)

Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models
von: Ji, Chenyi, et al.
Veröffentlicht: (2026)

Autoencoder-based non-intrusive model order reduction in continuum mechanics
von: Kehls, Jannick, et al.
Veröffentlicht: (2025)

Automated Model Discovery for Tensional Homeostasis: Constitutive Machine Learning in Growth and Remodeling
von: Holthusen, Hagen, et al.
Veröffentlicht: (2024)

A generalized dual potential for inelastic Constitutive Artificial Neural Networks: A JAX implementation at finite strains
von: Holthusen, Hagen, et al.
Veröffentlicht: (2025)

The sampling complexity of learning invertible residual neural networks
von: Li, Yuanyuan, et al.
Veröffentlicht: (2024)

Advantages and limitations in the use of transfer learning for individual treatment effects in causal machine learning
von: Aydin, Seyda Betul, et al.
Veröffentlicht: (2025)

On sparse regression, Lp-regularization, and automated model discovery
von: McCulloch, Jeremy A., et al.
Veröffentlicht: (2023)

Consensus learning: A novel decentralised ensemble learning paradigm
von: Magureanu, Horia, et al.
Veröffentlicht: (2024)

ProtAlign: Contrastive learning paradigm for Sequence and structure alignment
von: Ranganath, Aditya, et al.
Veröffentlicht: (2026)

Physics of Learning: A Lagrangian perspective to different learning paradigms
von: Guo, Siyuan, et al.
Veröffentlicht: (2025)

What do we learn from inverting CLIP models?
von: Kazemi, Hamid, et al.
Veröffentlicht: (2024)

Active Region-based Flare Forecasting with Sliding Window Multivariate Time Series Forest Classifiers
von: Ji, Anli, et al.
Veröffentlicht: (2024)

Can machine learning solve the challenge of adaptive learning and the individualization of learning paths? A field experiment in an online learning platform
von: Klausmann, Tim, et al.
Veröffentlicht: (2024)

A computational model of infant sensorimotor exploration in the mobile paradigm
von: Spisak, Josua, et al.
Veröffentlicht: (2025)

Spike Agreement Dependent Plasticity: A scalable Bio-Inspired learning paradigm for Spiking Neural Networks
von: Bej, Saptarshi, et al.
Veröffentlicht: (2025)

Active transfer learning for structural health monitoring
von: Poole, J., et al.
Veröffentlicht: (2025)

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

Traditional machine learning vs. deep learning from dynamic graph representations of proteins' 3D folds in the task of protein structure classification
von: Wells, Aydin, et al.
Veröffentlicht: (2026)

Cohort-Based Active Modality Acquisition
von: Rheude, Tillmann, et al.
Veröffentlicht: (2025)

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

A new paradigm for global sensitivity analysis
von: Mazo, Gildas
Veröffentlicht: (2024)

Prompt engineering paradigms for medical applications: scoping review and recommendations for better practices
von: Zaghir, Jamil, et al.
Veröffentlicht: (2024)

An invertible generative model for forward and inverse problems
von: van Leeuwen, Tristan, et al.
Veröffentlicht: (2025)

Variational operator learning: A unified paradigm marrying training neural operators and solving partial differential equations
von: Xu, Tengfei, et al.
Veröffentlicht: (2023)

Active learning for regression in engineering populations: A risk-informed approach
von: Clarkson, Daniel R., et al.
Veröffentlicht: (2024)

Active learning of neural population dynamics using two-photon holographic optogenetics
von: Wagenmaker, Andrew, et al.
Veröffentlicht: (2024)

Active learning from positive and unlabeled examples
von: Mansouri, Farnam, et al.
Veröffentlicht: (2026)

Free Energy Projective Simulation (FEPS): Active inference with interpretability
von: Pazem, Joséphine, et al.
Veröffentlicht: (2024)

Function regression using the forward forward training and inferring paradigm
von: Padmani, Shivam, et al.
Veröffentlicht: (2025)

Learning to Actively Learn: A Robust Approach
von: Zhang, Jifan, et al.
Veröffentlicht: (2020)

Efficient Training of Probabilistic Neural Networks for Survival Analysis
von: Lillelund, Christian Marius, et al.
Veröffentlicht: (2024)

LOCO-EPI: Leave-one-chromosome-out (LOCO) as a benchmarking paradigm for deep learning based prediction of enhancer-promoter interactions
von: Tahir, Muhammad, et al.
Veröffentlicht: (2025)