Buchumschlag

Adaptive parameters identification for nonlinear dynamics using deep permutation invariant networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Elaarabi, Mouad, Borzacchiello, Domenico, Guennec, Yves Le, Bot, Philippe Le, Comas-Cardona, Sebastien
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

Hybrid Adaptive Modeling in Process Monitoring: Leveraging Sequence Encoders and Physics-Informed Neural Networks
von: Elaarabi, Mouad, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks and Sequence Encoder: Application to heating and early cooling of thermo-stamping process
von: Elaarabi, Mouad, et al.
Veröffentlicht: (2026)

On permutation-invariant neural networks
von: Kimura, Masanari, et al.
Veröffentlicht: (2024)

Sensitivity analysis using Physics-informed neural networks
von: Hanna, John M., et al.
Veröffentlicht: (2023)

Sparse approximations for contact mechanics
von: Kollepara, Kiran Sagar, et al.
Veröffentlicht: (2024)

Learning multi-modal generative models with permutation-invariant encoders and tighter variational objectives
von: Hirt, Marcel, et al.
Veröffentlicht: (2023)

Data assimilation and parameter identification for water waves using the nonlinear Schrödinger equation and physics-informed neural networks
von: Ehlers, Svenja, et al.
Veröffentlicht: (2024)

An invariance constrained deep learning network for PDE discovery
von: Chen, Chao, et al.
Veröffentlicht: (2024)

Data-driven system identification using quadratic embeddings of nonlinear dynamics
von: Klus, Stefan, et al.
Veröffentlicht: (2025)

Learning Causality for Longitudinal Data
von: Bouchattaoui, Mouad EL
Veröffentlicht: (2025)

Meta-Learning and representation learner: A short theoretical note
von: Bouchattaoui, Mouad El
Veröffentlicht: (2024)

Topological Residual Asymmetry for Bivariate Causal Direction
von: Bouchattaoui, Mouad El
Veröffentlicht: (2026)

Intrinsic training dynamics of deep neural networks
von: Marcotte, Sibylle, et al.
Veröffentlicht: (2025)

Data-driven identification of nonlinear dynamical systems with LSTM autoencoders and Normalizing Flows
von: Rostamijavanani, Abdolvahhab, et al.
Veröffentlicht: (2025)

Resolution invariant deep operator network for PDEs with complex geometries
von: Huang, Jianguo, et al.
Veröffentlicht: (2024)

Sparse identification of nonlinear dynamics in the presence of library and system uncertainty
von: O'Brien, Andrew
Veröffentlicht: (2024)

Causal inference using invariant prediction: identification and confidence intervals
von: Peters, Jonas, et al.
Veröffentlicht: (2015)

Adaptive deep learning for nonlinear time series models
von: Kurisu, Daisuke, et al.
Veröffentlicht: (2022)

Mesh-free sparse identification of nonlinear dynamics
von: Gao, Mars Liyao, et al.
Veröffentlicht: (2025)

Efficient identification of linear, parameter-varying, and nonlinear systems with noise models
von: Bemporad, Alberto, et al.
Veröffentlicht: (2025)

Leveraging External Factors in Household-Level Electrical Consumption Forecasting using Hypernetworks
von: Bernier, Fabien, et al.
Veröffentlicht: (2025)

Simultaneous linear connectivity of neural networks modulo permutation
von: Sharma, Ekansh, et al.
Veröffentlicht: (2024)

The loss landscape of deep linear neural networks: a second-order analysis
von: Achour, El Mehdi, et al.
Veröffentlicht: (2021)

Breaking Symmetry Bottlenecks in GNN Readouts
von: Talhi, Mouad, et al.
Veröffentlicht: (2026)

Stochastic forest transition model dynamics and parameter estimation via deep learning
von: Kumabe, Satoshi, et al.
Veröffentlicht: (2025)

SINDy-KANs: Sparse identification of non-linear dynamics through Kolmogorov-Arnold networks
von: Howard, Amanda A., et al.
Veröffentlicht: (2026)

BINDy -- Bayesian identification of nonlinear dynamics with reversible-jump Markov-chain Monte-Carlo
von: Champneys, Max D., et al.
Veröffentlicht: (2024)

Rapid Bayesian identification of sparse nonlinear dynamics from scarce and noisy data
von: Fung, Lloyd, et al.
Veröffentlicht: (2024)

FedSparQ: Adaptive Sparse Quantization with Error Feedback for Robust & Efficient Federated Learning
von: Medjadji, Chaimaa, et al.
Veröffentlicht: (2025)

Learning characteristic parameters and dynamics of centrifugal pumps under multiphase flow using physics-informed neural networks
von: Carvalho, Felipe de Castro Teixeira, et al.
Veröffentlicht: (2023)

Simultaneous identification of models and parameters of scientific simulators
von: Schröder, Cornelius, et al.
Veröffentlicht: (2023)

Sparse identification of nonlinear dynamics with library optimization mechanism: Recursive long-term prediction perspective
von: Yonezawa, Ansei, et al.
Veröffentlicht: (2025)

Sparse identification of nonlinear dynamics and Koopman operators with Shallow Recurrent Decoder Networks
von: Gao, Mars Liyao, et al.
Veröffentlicht: (2025)

Order parameters and phase transitions of continual learning in deep neural networks
von: Shan, Haozhe, et al.
Veröffentlicht: (2024)

The geometry of invariant learning: an information-theoretic analysis of data augmentation and generalization
von: Bouyahia, Abdelali, et al.
Veröffentlicht: (2026)

Efficient model predictive control for nonlinear systems modelled by deep neural networks
von: Lan, Jianglin
Veröffentlicht: (2024)

Bayesian grey-box identification of nonlinear convection effects in heat transfer dynamics
von: Kouw, Wouter M., et al.
Veröffentlicht: (2024)

Parametric Taylor series based latent dynamics identification neural networks
von: Lin, Xinlei, et al.
Veröffentlicht: (2024)

The Feature Speed Formula: a flexible approach to scale hyper-parameters of deep neural networks
von: Chizat, Lénaïc, et al.
Veröffentlicht: (2023)

Real-time stress detection on social network posts using big data technology
von: Nguyen, Hai-Yen Phan, et al.
Veröffentlicht: (2024)