Buchumschlag

Port-Hamiltonian Neural Networks with Output Error Noise Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Moradi, Sarvin, Beintema, Gerben I., Jaensson, Nick, Tóth, Roland, Schoukens, Maarten
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

Learning Subsystem Dynamics in Nonlinear Systems via Port-Hamiltonian Neural Networks
von: van Otterdijk, G. J. E., et al.
Veröffentlicht: (2024)

State Derivative Normalization for Continuous-Time Deep Neural Networks
von: Weigand, Jonas, et al.
Veröffentlicht: (2024)

Meta-State-Space Learning: An Identification Approach for Stochastic Dynamical Systems
von: Beintema, Gerben I., et al.
Veröffentlicht: (2023)

Baseline Results for Selected Nonlinear System Identification Benchmarks
von: Champneys, Max D., et al.
Veröffentlicht: (2024)

Learning Koopman Models From Data Under General Noise Conditions
von: Iacob, Lucian Cristian, et al.
Veröffentlicht: (2025)

Identification of Port-Hamiltonian Differential-Algebraic Equations from Input-Output Data
von: Hagelaars, N., et al.
Veröffentlicht: (2026)

Physics-Guided State-Space Model Augmentation Using Weighted Regularized Neural Networks
von: Liu, Yuhan, et al.
Veröffentlicht: (2024)

Stable Port-Hamiltonian Neural Networks
von: Roth, Fabian J., et al.
Veröffentlicht: (2025)

Orthogonal projection-based regularization for efficient model augmentation
von: Györök, Bendegúz M., et al.
Veröffentlicht: (2025)

Improved Initialization for Port-Hamiltonian Neural Network Models
von: van Otterdijk, G. J. E., et al.
Veröffentlicht: (2026)

Least Costly Space-Filling Experiment Design for the Identification of a Nonlinear System
von: Kiss, Máté, et al.
Veröffentlicht: (2026)

Space-Filling Input Design for Nonlinear State-Space Identification
von: Kiss, Máté, et al.
Veröffentlicht: (2024)

Stochastic Port-Hamiltonian Neural Networks: Universal Approximation with Passivity Guarantees
von: Di Persio, Luca, et al.
Veröffentlicht: (2026)

System identification of biophysical neuronal models
von: Burghi, Thiago B., et al.
Veröffentlicht: (2020)

Exact Finite Koopman Embedding of Block-Oriented Polynomial Systems
von: Iacob, Lucian Cristian, et al.
Veröffentlicht: (2025)

Koopman Form of Nonlinear Systems with Inputs
von: Iacob, Lucian Cristian, et al.
Veröffentlicht: (2022)

On Space-Filling Input Design for Nonlinear Dynamic Model Learning: A Gaussian Process Approach
von: Liu, Yuhan, et al.
Veröffentlicht: (2025)

Neural Port-Hamiltonian Models for Nonlinear Distributed Control: An Unconstrained Parametrization Approach
von: Zakwan, Muhammad, et al.
Veröffentlicht: (2024)

Neural Port-Hamiltonian Differential Algebraic Equations for Compositional Learning of Electrical Networks
von: Neary, Cyrus, et al.
Veröffentlicht: (2024)

Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
von: de Jong, Thomas, et al.
Veröffentlicht: (2024)

Efficient Learning of Affine and Rational Dependency LPV Models With Linear Fractional Representation
von: Drenth, Roel, et al.
Veröffentlicht: (2026)

Distribution Learning with Valid Outputs Beyond the Worst-Case
von: Rittler, Nick, et al.
Veröffentlicht: (2024)

Learning Stable and Robust Linear Parameter-Varying State-Space Models
von: Verhoek, Chris, et al.
Veröffentlicht: (2023)

Hidden Markov Neural Networks
von: Rimella, Lorenzo, et al.
Veröffentlicht: (2020)

Variational Inference on the Final-Layer Output of Neural Networks
von: Wei, Yadi, et al.
Veröffentlicht: (2023)

Port-Hamiltonian Architectural Bias for Long-Range Propagation in Deep Graph Networks
von: Heilig, Simon, et al.
Veröffentlicht: (2024)

Efficient Relation-aware Neighborhood Aggregation in Graph Neural Networks via Tensor Decomposition
von: Baghershahi, Peyman, et al.
Veröffentlicht: (2022)

Separable Hamiltonian Neural Networks
von: Khoo, Zi-Yu, et al.
Veröffentlicht: (2023)

Orthogonal-by-construction augmentation of physics-based input-output models
von: Györök, Bendegúz M., et al.
Veröffentlicht: (2025)

Learning-based model augmentation with LFRs
von: Hoekstra, Jan H., et al.
Veröffentlicht: (2024)

Training Robust Graph Neural Networks by Modeling Noise Dependencies
von: In, Yeonjun, et al.
Veröffentlicht: (2025)

Noise-Agnostic Quantum Error Mitigation with Data Augmented Neural Models
von: Liao, Manwen, et al.
Veröffentlicht: (2023)

Uncertainty Quantification of Data-Driven Output Predictors in the Output Error Setting
von: Kaviani, Farzan, et al.
Veröffentlicht: (2024)

Categorical Distributions are Effective Neural Network Outputs for Event Prediction
von: Doran, Kevin, et al.
Veröffentlicht: (2025)

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

Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models
von: Tan, Kaiyuan, et al.
Veröffentlicht: (2025)

Graph Convolutional Neural Networks Sensitivity under Probabilistic Error Model
von: Wang, Xinjue, et al.
Veröffentlicht: (2022)

GOAt: Explaining Graph Neural Networks via Graph Output Attribution
von: Lu, Shengyao, et al.
Veröffentlicht: (2024)

GenAudit: Fixing Factual Errors in Language Model Outputs with Evidence
von: Krishna, Kundan, et al.
Veröffentlicht: (2024)

Challenges for Predictive Modeling with Neural Network Techniques using Error-Prone Dietary Intake Data
von: Spicker, Dylan, et al.
Veröffentlicht: (2023)