Buchumschlag

Stochastic Process Learning via Operator Flow Matching

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shi, Yaozhong, Ross, Zachary E., Asimaki, Domniki, Azizzadenesheli, Kamyar
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Mesh-Informed Neural Operator : A Transformer Generative Approach
von: Shi, Yaozhong, et al.
Veröffentlicht: (2025)

Broadband Ground Motion Synthesis via Generative Adversarial Neural Operators: Development and Validation
von: Shi, Yaozhong, et al.
Veröffentlicht: (2023)

Large-Scale 3D Ground-Motion Synthesis with Physics-Inspired Latent Operator Flow Matching
von: Shi, Yaozhong, et al.
Veröffentlicht: (2026)

Universal Functional Regression with Neural Operator Flows
von: Shi, Yaozhong, et al.
Veröffentlicht: (2024)

Enforcing Reciprocity in Operator Learning for Seismic Wave Propagation
von: Zou, Caifeng, et al.
Veröffentlicht: (2026)

Calibrated Uncertainty Quantification for Operator Learning via Conformal Prediction
von: Ma, Ziqi, et al.
Veröffentlicht: (2024)

Neural Spline Operators for Risk Quantification in Stochastic Systems
von: Wang, Zhuoyuan, et al.
Veröffentlicht: (2025)

Ambient Noise Full Waveform Inversion with Neural Operators
von: Zou, Caifeng, et al.
Veröffentlicht: (2025)

Functional Linear Regression of Cumulative Distribution Functions
von: Zhang, Qian, et al.
Veröffentlicht: (2022)

Neural Operator: Learning Maps Between Function Spaces
von: Kovachki, Nikola, et al.
Veröffentlicht: (2021)

Scalable Gaussian Process for Learning Non-Ergodic Ground Motion Model from Physics-Based Simulations with Application to Power Infrastructure Assessment
von: Zhao, Jinyan, et al.
Veröffentlicht: (2026)

Neural Operators for Accelerating Scientific Simulations and Design
von: Azizzadenesheli, Kamyar, et al.
Veröffentlicht: (2023)

Probabilistic Wind Power Modelling via Heteroscedastic Non-Stationary Gaussian Processes
von: Ladopoulou, Domniki, et al.
Veröffentlicht: (2025)

Neural Operators with Localized Integral and Differential Kernels
von: Liu-Schiaffini, Miguel, et al.
Veröffentlicht: (2024)

Provable and Practical: Efficient Exploration in Reinforcement Learning via Langevin Monte Carlo
von: Ishfaq, Haque, et al.
Veröffentlicht: (2023)

Enabling Automatic Differentiation with Mollified Graph Neural Operators
von: Lin, Ryan Y., et al.
Veröffentlicht: (2025)

Multi-task Neural Diffusion Processes
von: Rawson, Joseph, et al.
Veröffentlicht: (2025)

Ultrasound Lung Aeration Map via Physics-Aware Neural Operators
von: Wang, Jiayun, et al.
Veröffentlicht: (2025)

Principled Approaches for Extending Neural Architectures to Function Spaces for Operator Learning
von: Berner, Julius, et al.
Veröffentlicht: (2025)

Guaranteed Approximation Bounds for Mixed-Precision Neural Operators
von: Tu, Renbo, et al.
Veröffentlicht: (2023)

Deep Neural Helmholtz Operators for 3D Elastic Wave Propagation and Inversion
von: Zou, Caifeng, et al.
Veröffentlicht: (2023)

A Library for Learning Neural Operators
von: Kossaifi, Jean, et al.
Veröffentlicht: (2024)

Flow Matching: Markov Kernels, Stochastic Processes and Transport Plans
von: Wald, Christian, et al.
Veröffentlicht: (2025)

Euphonium: Steering Video Flow Matching via Process Reward Gradient Guided Stochastic Dynamics
von: Zhong, Ruizhe, et al.
Veröffentlicht: (2026)

Scale-Consistent Learning for Partial Differential Equations
von: Li, Zongyi, et al.
Veröffentlicht: (2025)

Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds
von: O'Connell, Michael, et al.
Veröffentlicht: (2022)

Equivariant Graph Neural Operator for Modeling 3D Dynamics
von: Xu, Minkai, et al.
Veröffentlicht: (2024)

Active Control of Flow over Rotating Cylinder by Multiple Jets using Deep Reinforcement Learning
von: Dobakhti, Kamyar, et al.
Veröffentlicht: (2023)

Flow Matching Neural Processes
von: Hamad, Hussen Abu, et al.
Veröffentlicht: (2025)

Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows
von: Zhao, Zelin, et al.
Veröffentlicht: (2025)

STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching
von: Kotecha, Prakrut, et al.
Veröffentlicht: (2026)

Edit Flows: Flow Matching with Edit Operations
von: Havasi, Marton, et al.
Veröffentlicht: (2025)

Pretraining Codomain Attention Neural Operators for Solving Multiphysics PDEs
von: Rahman, Md Ashiqur, et al.
Veröffentlicht: (2024)

Flow Matching from Viewpoint of Proximal Operators
von: Fukumizu, Kenji, et al.
Veröffentlicht: (2026)

Disentangled Representation Learning via Flow Matching
von: Chi, Jinjin, et al.
Veröffentlicht: (2026)

Operator Flow Matching for Timeseries Forecasting
von: Lee, Yolanne Yi Ran, et al.
Veröffentlicht: (2025)

Coupled Flow Matching
von: Cai, Wenxi, et al.
Veröffentlicht: (2025)

Exploring the design space of deep-learning-based weather forecasting systems
von: Siddiqui, Shoaib Ahmed, et al.
Veröffentlicht: (2024)

EventFlow: Forecasting Temporal Point Processes with Flow Matching
von: Kerrigan, Gavin, et al.
Veröffentlicht: (2024)

CFO: Learning Continuous-Time PDE Dynamics via Flow-Matched Neural Operators
von: Hou, Xianglong, et al.
Veröffentlicht: (2025)