Buchumschlag

RIGNO: A Graph-based framework for robust and accurate operator learning for PDEs on arbitrary domains

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mousavi, Sepehr, Wen, Shizheng, Lingsch, Levi, Herde, Maximilian, Raonić, Bogdan, Mishra, Siddhartha
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

Geometry Aware Operator Transformer as an Efficient and Accurate Neural Surrogate for PDEs on Arbitrary Domains
von: Wen, Shizheng, et al.
Veröffentlicht: (2025)

Poseidon: Efficient Foundation Models for PDEs
von: Herde, Maximilian, et al.
Veröffentlicht: (2024)

FUSE: Fast Unified Simulation and Estimation for PDEs
von: Lingsch, Levi E., et al.
Veröffentlicht: (2024)

Towards a Certificate of Trust: Task-Aware OOD Detection for Scientific AI
von: Raonić, Bogdan, et al.
Veröffentlicht: (2025)

Imposing Boundary Conditions on Neural Operators via Learned Function Extensions
von: Mousavi, Sepehr, et al.
Veröffentlicht: (2026)

Phaedra: Learning High-Fidelity Discrete Tokenization for the Physical Science
von: Lingsch, Levi, et al.
Veröffentlicht: (2026)

Generative AI for fast and accurate statistical computation of fluids
von: Molinaro, Roberto, et al.
Veröffentlicht: (2024)

One model to solve them all: 2BSDE families via neural operators
von: Furuya, Takashi, et al.
Veröffentlicht: (2025)

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

Beyond Regular Grids: Fourier-Based Neural Operators on Arbitrary Domains
von: Lingsch, Levi, et al.
Veröffentlicht: (2023)

A deformation-based framework for learning solution mappings of PDEs defined on varying domains
von: Xiao, Shanshan, et al.
Veröffentlicht: (2024)

An operator preconditioning perspective on training in physics-informed machine learning
von: De Ryck, Tim, et al.
Veröffentlicht: (2023)

ProARD: progressive adversarial robustness distillation: provide wide range of robust students
von: Mousavi, Seyedhamidreza, et al.
Veröffentlicht: (2025)

Learning solution operators of PDEs defined on varying domains via MIONet
von: Xiao, Shanshan, et al.
Veröffentlicht: (2024)

Numerical analysis of physics-informed neural networks and related models in physics-informed machine learning
von: De Ryck, Tim, et al.
Veröffentlicht: (2024)

Dendrites endow artificial neural networks with accurate, robust and parameter-efficient learning
von: Chavlis, Spyridon, et al.
Veröffentlicht: (2024)

C(NN)FD -- a deep learning framework for turbomachinery CFD analysis
von: Bruni, Giuseppe, et al.
Veröffentlicht: (2023)

A unified framework for evaluating the robustness of machine-learning interpretability for prospect risking
von: Chowdhury, Prithwijit, et al.
Veröffentlicht: (2026)

Out-of-Distribution Detection in Molecular Complexes via Diffusion Models for Irregular Graphs
von: Graber, David, et al.
Veröffentlicht: (2025)

Gaussian Process Regression for Inverse Problems in Linear PDEs
von: Li, Xin, et al.
Veröffentlicht: (2025)

RBF-MGN:Solving spatiotemporal PDEs with Physics-informed Graph Neural Network
von: Xiang, Zixue, et al.
Veröffentlicht: (2022)

A unified framework for learning with nonlinear model classes from arbitrary linear samples
von: Adcock, Ben, et al.
Veröffentlicht: (2023)

Rectified Flows for Fast Multiscale Fluid Flow Modeling
von: Armegioiu, Victor, et al.
Veröffentlicht: (2025)

A Low-complexity Structured Neural Network to Realize States of Dynamical Systems
von: Aluvihare, Hansaka, et al.
Veröffentlicht: (2025)

A universal approximation theorem for nonlinear resistive networks
von: Scellier, Benjamin, et al.
Veröffentlicht: (2023)

crowd-hpo: Realistic Hyperparameter Optimization and Benchmarking for Learning from Crowds with Noisy Labels
von: Herde, Marek, et al.
Veröffentlicht: (2025)

Neural operators struggle to learn complex PDEs in pedestrian mobility: Hughes model case study
von: Chauhan, Prajwal, et al.
Veröffentlicht: (2025)

Decision-calibrated prediction sets for robust power system operations
von: Stratigakos, Akylas, et al.
Veröffentlicht: (2026)

A unified framework for geometry-independent operator learning in cardiac electrophysiology simulations
von: Zhou, Bei, et al.
Veröffentlicht: (2025)

Text classification using machine learning methods
von: Oancea, Bogdan
Veröffentlicht: (2025)

Capacity-constrained demand response in smart grids using deep reinforcement learning
von: Pashaki, Shafagh Abband, et al.
Veröffentlicht: (2026)

Machine learning-based algorithms for at-home respiratory disease monitoring and respiratory assessment
von: Orangi-Fard, Negar, et al.
Veröffentlicht: (2024)

Error analysis for finite element operator learning methods for solving parametric second-order elliptic PDEs
von: Hong, Youngjoon, et al.
Veröffentlicht: (2024)

DURENDAL: Graph deep learning framework for temporal heterogeneous networks
von: Dileo, Manuel, et al.
Veröffentlicht: (2023)

A deep learning framework for jointly solving transient Fokker-Planck equations with arbitrary parameters and initial distributions
von: Wang, Xiaolong, et al.
Veröffentlicht: (2026)

Continual learning for rotating machinery fault diagnosis with cross-domain environmental and operational variations
von: Risca, Diogo, et al.
Veröffentlicht: (2025)

Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training
von: Totounferoush, Amin, et al.
Veröffentlicht: (2025)

Convolutional-neural-operator-based transfer learning for solving PDEs
von: Fan, Peng, et al.
Veröffentlicht: (2025)

Cleaning the Pool: Progressive Filtering of Unlabeled Pools in Deep Active Learning
von: Huseljic, Denis, et al.
Veröffentlicht: (2025)

Fusion of classical and quantum kernels enables accurate and robust two-sample tests
von: Terada, Yu, et al.
Veröffentlicht: (2025)