Buchumschlag

Quantifying Correlations of Machine Learning Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yuanyuan, Sarna, Neeraj, Lin, Yang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An In-Depth Examination of Risk Assessment in Multi-Class Classification Algorithms
von: Ghandwani, Disha, et al.
Veröffentlicht: (2024)

Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation
von: Yang, Minglei, et al.
Veröffentlicht: (2024)

Operator Learning at Machine Precision
von: Bacho, Aras, et al.
Veröffentlicht: (2025)

Quantifying Training Difficulty and Accelerating Convergence in Neural Network-Based PDE Solvers
von: Chen, Chuqi, et al.
Veröffentlicht: (2024)

Solving PDEs on Unknown Manifolds with Machine Learning
von: Liang, Senwei, et al.
Veröffentlicht: (2021)

Towards Foundation Models for Scientific Machine Learning: Characterizing Scaling and Transfer Behavior
von: Subramanian, Shashank, et al.
Veröffentlicht: (2023)

An Orthogonal Polynomial Kernel-Based Machine Learning Model for Differential-Algebraic Equations
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

On the Limits of Interpretable Machine Learning in Quintic Root Classification
von: Thomas, Rohan, et al.
Veröffentlicht: (2026)

Modeling Large-Scale Walking and Cycling Networks: A Machine Learning Approach Using Mobile Phone and Crowdsourced Data
von: Saberi, Meead, et al.
Veröffentlicht: (2024)

Machine Learning-Based Nonlinear Nudging for Chaotic Dynamical Systems
von: Oh, Jaemin, et al.
Veröffentlicht: (2025)

Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning
von: Chen, Jiale, et al.
Veröffentlicht: (2024)

Enhanced Data-driven Topology Design Methodology with Multi-level Mesh and Correlation-based Mutation for Stress-related Multi-objective Optimization
von: Yang, Jun, et al.
Veröffentlicht: (2025)

Recent and Upcoming Developments in Randomized Numerical Linear Algebra for Machine Learning
von: Dereziński, Michał, et al.
Veröffentlicht: (2024)

Variational (Energy-Based) Spectral Learning: A Machine Learning Framework for Solving Partial Differential Equations
von: Hammad, M. M.
Veröffentlicht: (2026)

Accelerating Multilevel Markov Chain Monte Carlo Using Machine Learning Models
von: Reddy, Sohail, et al.
Veröffentlicht: (2024)

Distillation of Discrete Diffusion through Dimensional Correlations
von: Hayakawa, Satoshi, et al.
Veröffentlicht: (2024)

Weak Form Scientific Machine Learning: Test Function Construction for System Identification
von: Tran, April, et al.
Veröffentlicht: (2025)

Singularity Formation: Synergy in Theoretical, Numerical and Machine Learning Approaches
von: Wang, Yixuan
Veröffentlicht: (2026)

An Overview on Machine Learning Methods for Partial Differential Equations: from Physics Informed Neural Networks to Deep Operator Learning
von: Gonon, Lukas, et al.
Veröffentlicht: (2024)

Machine Learning Algorithms to Assess Site Closure Time Frames for Soil and Groundwater Contamination
von: Le, Vu-Anh, et al.
Veröffentlicht: (2024)

Numerical Instability and Chaos: Quantifying the Unpredictability of Large Language Models
von: Islam, Chashi Mahiul, et al.
Veröffentlicht: (2026)

Escaping Spectral Bias without Backpropagation: Fast Implicit Neural Representations with Extreme Learning Machines
von: Cho, Woojin, et al.
Veröffentlicht: (2026)

A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Exact Constraint Enforcement in Physics-Informed Extreme Learning Machines using Null-Space Projection Framework
von: Mishra, Rishi, et al.
Veröffentlicht: (2026)

Machine Learning Based Optimization Workflow for Tuning Numerical Settings of Differential Equation Solvers for Boundary Value Problems
von: Victor, Viny Saajan, et al.
Veröffentlicht: (2024)

Learning Sparse Approximate Inverse Preconditioners for Conjugate Gradient Solvers on GPUs
von: Yang, Zherui, et al.
Veröffentlicht: (2025)

Sub-Sequential Physics-Informed Learning with State Space Model
von: Xu, Chenhui, et al.
Veröffentlicht: (2025)

Learning the Hodgkin-Huxley Model with Operator Learning Techniques
von: Centofanti, Edoardo, et al.
Veröffentlicht: (2024)

Reduced-Basis Deep Operator Learning for Parametric PDEs with Independently Varying Boundary and Source Data
von: Wang, Yueqi, et al.
Veröffentlicht: (2025)

Stabilizing Physics-Informed Consistency Models via Structure-Preserving Training
von: Chang, Che-Chia, et al.
Veröffentlicht: (2026)

Towards Quantifying the Preconditioning Effect of Adam
von: Das, Rudrajit, et al.
Veröffentlicht: (2024)

Performance of Machine Learning Methods for Gravity Inversion: Successes and Challenges
von: Negahdari, Vahid, et al.
Veröffentlicht: (2025)

Learn Singularly Perturbed Solutions via Homotopy Dynamics
von: Chen, Chuqi, et al.
Veröffentlicht: (2025)

FCNCP: A Coupled Nonnegative CANDECOMP/PARAFAC Decomposition Based on Federated Learning
von: Cai, Yukai, et al.
Veröffentlicht: (2024)

Mathematics of Digital Twins and Transfer Learning for PDE Models
von: Zong, Yifei, et al.
Veröffentlicht: (2025)

The Numerical Stability of Hyperbolic Representation Learning
von: Mishne, Gal, et al.
Veröffentlicht: (2022)

Learning Operators through Coefficient Mappings in Fixed Basis Spaces
von: Chen, Chuqi, et al.
Veröffentlicht: (2025)

When do World Models Successfully Learn Dynamical Systems?
von: Ross, Edmund, et al.
Veröffentlicht: (2025)

Learning-based Multi-continuum Model for Multiscale Flow Problems
von: Wang, Fan, et al.
Veröffentlicht: (2024)

Matrix Calculus (for Machine Learning and Beyond)
von: Bright, Paige, et al.
Veröffentlicht: (2025)