Buchumschlag

Stochastic Taylor Derivative Estimator: Efficient amortization for arbitrary differential operators

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shi, Zekun, Hu, Zheyuan, Lin, Min, Kawaguchi, Kenji
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Hutchinson Trace Estimation for High-Dimensional and High-Order Physics-Informed Neural Networks
von: Hu, Zheyuan, et al.
Veröffentlicht: (2023)

PMNO: A novel physics guided multi-step neural operator predictor for partial differential equations
von: Song, Jin, et al.
Veröffentlicht: (2025)

State-space models are accurate and efficient neural operators for dynamical systems
von: Hu, Zheyuan, et al.
Veröffentlicht: (2024)

Adaptive teachers for amortized samplers
von: Kim, Minsu, et al.
Veröffentlicht: (2024)

Score-Based Physics-Informed Neural Networks for High-Dimensional Fokker-Planck Equations
von: Hu, Zheyuan, et al.
Veröffentlicht: (2024)

Score-fPINN: Fractional Score-Based Physics-Informed Neural Networks for High-Dimensional Fokker-Planck-Levy Equations
von: Hu, Zheyuan, et al.
Veröffentlicht: (2024)

Tackling the Curse of Dimensionality in Fractional and Tempered Fractional PDEs with Physics-Informed Neural Networks
von: Hu, Zheyuan, et al.
Veröffentlicht: (2024)

Demystifying amortized causal discovery with transformers
von: Montagna, Francesco, et al.
Veröffentlicht: (2024)

Action abstractions for amortized sampling
von: Boussif, Oussama, et al.
Veröffentlicht: (2024)

Tutorial on amortized optimization
von: Amos, Brandon
Veröffentlicht: (2022)

Tackling the Curse of Dimensionality with Physics-Informed Neural Networks
von: Hu, Zheyuan, et al.
Veröffentlicht: (2023)

On amortizing convex conjugates for optimal transport
von: Amos, Brandon
Veröffentlicht: (2022)

Identifiability and amortized inference limitations in Kuramoto models
von: Hannula, Emma, et al.
Veröffentlicht: (2026)

Efficient user history modeling with amortized inference for deep learning recommendation models
von: Hertel, Lars, et al.
Veröffentlicht: (2024)

Equivariant amortized inference of poses for cryo-EM
von: de Ruijter, Larissa, et al.
Veröffentlicht: (2024)

Conditional diffusions for amortized neural posterior estimation
von: Chen, Tianyu, et al.
Veröffentlicht: (2024)

Delta-AI: Local objectives for amortized inference in sparse graphical models
von: Falet, Jean-Pierre, et al.
Veröffentlicht: (2023)

Inverse decision-making using neural amortized Bayesian actors
von: Straub, Dominik, et al.
Veröffentlicht: (2024)

Deep Neural networks for solving high-dimensional parabolic partial differential equations
von: Zhang, Wenzhong, et al.
Veröffentlicht: (2026)

A finite element-based physics-informed operator learning framework for spatiotemporal partial differential equations on arbitrary domains
von: Yamazaki, Yusuke, et al.
Veröffentlicht: (2024)

Single Character Perturbations Break LLM Alignment
von: Lin, Leon, et al.
Veröffentlicht: (2024)

Demonstrating the power and flexibility of variational assumptions for amortized neural posterior estimation in environmental applications
von: Maceda, Elliot, et al.
Veröffentlicht: (2024)

Investigating Layer Importance in Large Language Models
von: Zhang, Yang, et al.
Veröffentlicht: (2024)

Stochastic optimization with arbitrary recurrent data sampling
von: Powell, William G., et al.
Veröffentlicht: (2024)

Self-Evaluation as a Defense Against Adversarial Attacks on LLMs
von: Brown, Hannah, et al.
Veröffentlicht: (2024)

Referee Can Play: An Alternative Approach to Conditional Generation via Model Inversion
von: Liu, Xuantong, et al.
Veröffentlicht: (2024)

Exact Conversion of In-Context Learning to Model Weights in Linearized-Attention Transformers
von: Chen, Brian K, et al.
Veröffentlicht: (2024)

Machine Learning for Energy-Performance-aware Scheduling
von: Hu, Zheyuan, et al.
Veröffentlicht: (2026)

Memory-Efficient LLM Training by Various-Grained Low-Rank Projection of Gradients
von: Wang, Yezhen, et al.
Veröffentlicht: (2025)

Drug Discovery with Dynamic Goal-aware Fragments
von: Lee, Seul, et al.
Veröffentlicht: (2023)

A novel gradient-based method for decision trees optimizing arbitrary differential loss functions
von: Konstantinov, Andrei V., et al.
Veröffentlicht: (2025)

Rethinking Tokenizer and Decoder in Masked Graph Modeling for Molecules
von: Liu, Zhiyuan, et al.
Veröffentlicht: (2023)

A Combinatorial Approach to Neural Emergent Communication
von: Zhang, Zheyuan
Veröffentlicht: (2024)

LoReUn: Data Itself Implicitly Provides Cues to Improve Machine Unlearning
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Active operator learning with predictive uncertainty quantification for partial differential equations
von: Winovich, Nick, et al.
Veröffentlicht: (2025)

Evidence Networks: simple losses for fast, amortized, neural Bayesian model comparison
von: Jeffrey, Niall, et al.
Veröffentlicht: (2023)

DeRaDiff: Denoising Time Realignment of Diffusion Models
von: Manujith, Ratnavibusena Don Shahain, et al.
Veröffentlicht: (2026)

RIGNO: A Graph-based framework for robust and accurate operator learning for PDEs on arbitrary domains
von: Mousavi, Sepehr, et al.
Veröffentlicht: (2025)

Learning to solve Bayesian inverse problems: An amortized variational inference approach using Gaussian and Flow guides
von: Karumuri, Sharmila, et al.
Veröffentlicht: (2023)

LazyDINO: Fast, scalable, and efficiently amortized Bayesian inversion via structure-exploiting and surrogate-driven measure transport
von: Cao, Lianghao, et al.
Veröffentlicht: (2024)