Buchumschlag

The Illusion of Fit: Spatially Resolved Assessment of Constitutive Model Validity in Elastography and Physics-Based Inverse Problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Scholz, Vincent C., Koutsourelakis, P. S.
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

DGenNO: A Novel Physics-aware Neural Operator for Solving Forward and Inverse PDE Problems based on Deep, Generative Probabilistic Modeling
von: Zang, Yaohua, et al.
Veröffentlicht: (2025)

Weak neural variational inference for solving Bayesian inverse problems without forward models: applications in elastography
von: Scholz, Vincent C., et al.
Veröffentlicht: (2024)

GenPANIS: A Latent-Variable Generative Framework for Forward and Inverse PDE Problems in Multiphase Media
von: Chatzopoulos, Matthaios, et al.
Veröffentlicht: (2026)

Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data
von: Stupp, Maximilian, et al.
Veröffentlicht: (2025)

Physics-Aware Neural Implicit Solvers for multiscale, parametric PDEs with applications in heterogeneous media
von: Chatzopoulos, Matthaios, et al.
Veröffentlicht: (2024)

A probabilistic, data-driven closure model for RANS simulations with aleatoric, model uncertainty
von: Agrawal, Atul, et al.
Veröffentlicht: (2023)

The Ensemble Inverse Problem: Applications and Methods
von: Huan, Zhengyan, et al.
Veröffentlicht: (2026)

Breaking the Illusion: Consensus-Based Generative Mitigation of Adversarial Illusions in Multi-Modal Embeddings
von: Akbarian, Fatemeh, et al.
Veröffentlicht: (2025)

Proximal-Based Generative Modeling for Bayesian Inverse Problems
von: Zhang, Boyang, et al.
Veröffentlicht: (2026)

Decoding Human Preferences in Alignment: An Improved Approach to Inverse Constitutional AI
von: Henneking, Carl-Leander, et al.
Veröffentlicht: (2025)

On Hallucinations in Inverse Problems: Fundamental Limits and Provable Assessment Methods
von: Iagaru, David, et al.
Veröffentlicht: (2026)

InverseBench: Benchmarking Plug-and-Play Diffusion Priors for Inverse Problems in Physical Sciences
von: Zheng, Hongkai, et al.
Veröffentlicht: (2025)

The Illusion of Generalization in Tabular Language Models
von: Gorla, Aditya, et al.
Veröffentlicht: (2026)

Application-driven Validation of Posteriors in Inverse Problems
von: Adler, Tim J., et al.
Veröffentlicht: (2023)

Contrastive Diffusion Guidance for Spatial Inverse Problems
von: Basu, Sattwik, et al.
Veröffentlicht: (2025)

Diffusion Models for Inverse Problems in the Exponential Family
von: Micheli, Alessandro, et al.
Veröffentlicht: (2025)

Contrast-Source-Based Physics-Driven Neural Network for Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2026)

Comment on The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity
von: Lawsen, A.
Veröffentlicht: (2025)

Manifold Learning by Mixture Models of VAEs for Inverse Problems
von: Alberti, Giovanni S., et al.
Veröffentlicht: (2023)

Improved Physics-Driven Neural Network to Solve Inverse Scattering Problems
von: Du, Yutong, et al.
Veröffentlicht: (2025)

A Rapid Physics-Informed Machine Learning Framework Based on Extreme Learning Machine for Inverse Stefan Problems
von: Zhuang, Pei-Zhi, et al.
Veröffentlicht: (2025)

CoCoGen: Physically-Consistent and Conditioned Score-based Generative Models for Forward and Inverse Problems
von: Jacobsen, Christian, et al.
Veröffentlicht: (2023)

Interpretability Illusions in the Generalization of Simplified Models
von: Friedman, Dan, et al.
Veröffentlicht: (2023)

Solving Inverse Problems in Protein Space Using Diffusion-Based Priors
von: Levy, Axel, et al.
Veröffentlicht: (2024)

The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity
von: Shojaee, Parshin, et al.
Veröffentlicht: (2025)

Multi-Constitutive Neural Network for Large Deformation Poromechanics Problem
von: Zhang, Qi, et al.
Veröffentlicht: (2020)

Physics-Constrained Fine-Tuning of Flow-Matching Models for Generation and Inverse Problems
von: Tauberschmidt, Jan, et al.
Veröffentlicht: (2025)

How Understanding Forecast Uncertainty Resolves the Explainability Problem in Machine Learning Models
von: Breeden, Joseph L.
Veröffentlicht: (2026)

Trajectory Stitching for Solving Inverse Problems with Flow-Based Models
von: Denker, Alexander, et al.
Veröffentlicht: (2026)

Measurement-Aligned Sampling for Inverse Problem
von: Zhang, Shaorong, et al.
Veröffentlicht: (2025)

Hypothesis Testing in Imaging Inverse Problems
von: Xi, Yiming, et al.
Veröffentlicht: (2025)

Self-diffusion for Solving Inverse Problems
von: Luo, Guanxiong, et al.
Veröffentlicht: (2025)

Learning Regularization for Graph Inverse Problems
von: Eliasof, Moshe, et al.
Veröffentlicht: (2024)

Conditional Mutual Information Based Diffusion Posterior Sampling for Solving Inverse Problems
von: Hamidi, Shayan Mohajer, et al.
Veröffentlicht: (2025)

Score-Based Variational Inference for Inverse Problems
von: Xue, Zhipeng, et al.
Veröffentlicht: (2024)

Geometry-Free Conditional Diffusion Modeling for Solving the Inverse Electrocardiography Problem
von: Jara, Ramiro Valdes, et al.
Veröffentlicht: (2026)

The Illusion of Stochasticity in LLMs
von: Gu, Xiangming, et al.
Veröffentlicht: (2026)

Are Flat Minima an Illusion?
von: Bennett, Michael Timothy
Veröffentlicht: (2026)

Uncertainties in Physics-informed Inverse Problems: The Hidden Risk in Scientific AI
von: Mototake, Yoh-ichi, et al.
Veröffentlicht: (2025)

Neural Optimal Design of Experiment for Inverse Problems
von: Darges, John E., et al.
Veröffentlicht: (2025)