Buchumschlag

Disentangled Latent Spaces for Reduced Order Models using Deterministic Autoencoders

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schwarz, Henning, Lin, Pyei Phyo, Zemke, Jens-Peter M., Rung, Thomas
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

Conditional Neural Field based Reduced Order Model for Dynamic Ditching Load Prediction
von: Schwarz, Henning, et al.
Veröffentlicht: (2026)

Machine Learning based Prediction of Ditching Loads
von: Schwarz, Henning, et al.
Veröffentlicht: (2024)

On Geometry Regularization in Autoencoder Reduced-Order Models with Latent Neural ODE Dynamics
von: Osipov, Mikhail
Veröffentlicht: (2026)

LatentGAN Autoencoder: Learning Disentangled Latent Distribution
von: Kalwar, Sanket, et al.
Veröffentlicht: (2022)

Coupled Transformer Autoencoder for Disentangling Multi-Region Neural Latent Dynamics
von: Sristi, Ram Dyuthi, et al.
Veröffentlicht: (2025)

Learning Latent Space Dynamics with Model-Form Uncertainties: A Stochastic Reduced-Order Modeling Approach
von: Yong, Jin Yi, et al.
Veröffentlicht: (2024)

Reflections on Disentanglement and the Latent Space
von: Schaerf, Ludovica
Veröffentlicht: (2024)

A Unified Latent Space Disentanglement VAE Framework with Robust Disentanglement Effectiveness Evaluation
von: Lang, Xiaoan, et al.
Veröffentlicht: (2026)

Latent Space Inference via Paired Autoencoders
von: Hart, Emma, et al.
Veröffentlicht: (2026)

Adaptive Compression of the Latent Space in Variational Autoencoders
von: Sejnova, Gabriela, et al.
Veröffentlicht: (2023)

Verification of Unknown Dynamical Systems via Autoencoder Latent Space
von: Reed, Robert, et al.
Veröffentlicht: (2025)

Disentangling Genotype and Environment Specific Latent Features for Improved Trait Prediction using a Compositional Autoencoder
von: Powadi, Anirudha, et al.
Veröffentlicht: (2024)

Disentangled Latent Spaces Facilitate Data-Driven Auxiliary Learning
von: Skenderi, Geri, et al.
Veröffentlicht: (2023)

Reduced Order Modeling of Energetic Materials Using Physics-Aware Recurrent Convolutional Neural Networks in a Latent Space (LatentPARC)
von: Gray, Zoë J., et al.
Veröffentlicht: (2025)

Differentiable Autoencoding Neural Operator for Interpretable and Integrable Latent Space Modeling
von: Viknesh, Siva, et al.
Veröffentlicht: (2025)

Multi-Actor Multi-Critic Deep Deterministic Reinforcement Learning with a Novel Q-Ensemble Method
von: Wu, Andy, et al.
Veröffentlicht: (2025)

Isometric Representation Learning for Disentangled Latent Space of Diffusion Models
von: Hahm, Jaehoon, et al.
Veröffentlicht: (2024)

Sculpting Latent Spaces With MMD: Disentanglement With Programmable Priors
von: Fruytier, Quentin, et al.
Veröffentlicht: (2025)

Adjoint-based shape optimization of a ship hull using a Conditional Variational Autoencoder (CVAE) assisted propulsion surrogate model
von: Maram, Moloud Arian, et al.
Veröffentlicht: (2026)

Disentangling Dense Embeddings with Sparse Autoencoders
von: O'Neill, Charles, et al.
Veröffentlicht: (2024)

Latent Space Characterization of Autoencoder Variants
von: Shrivastava, Anika, et al.
Veröffentlicht: (2024)

Physics-Informed Reduced-Order Operator Learning for Hyperelasticity in Continuum Micromechanics
von: Eivazi, Hamidreza, et al.
Veröffentlicht: (2026)

Learning Interpretable Features in Audio Latent Spaces via Sparse Autoencoders
von: Paek, Nathan, et al.
Veröffentlicht: (2025)

A Latent Space Correlation-Aware Autoencoder for Anomaly Detection in Skewed Data
von: Roy, Padmaksha
Veröffentlicht: (2023)

Enhancing Interpretability in Generative Modeling: Statistically Disentangled Latent Spaces Guided by Generative Factors in Scientific Datasets
von: Ganguli, Arkaprabha, et al.
Veröffentlicht: (2025)

Visual Disentangled Diffusion Autoencoders: Scalable Counterfactual Generation for Foundation Models
von: Bender, Sidney, et al.
Veröffentlicht: (2026)

Negative Binomial Variational Autoencoders for Overdispersed Latent Modeling
von: Zhang, Yixuan, et al.
Veröffentlicht: (2025)

Thinner Latent Spaces: Detecting Dimension and Imposing Invariance with Conformal Autoencoders
von: Kevrekidis, George A., et al.
Veröffentlicht: (2024)

Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder
von: Koune, Ioannis Christoforos, et al.
Veröffentlicht: (2025)

Disentanglement of Sources in a Multi-Stream Variational Autoencoder
von: Boukun, Veranika, et al.
Veröffentlicht: (2025)

Shortcut Invariance: Targeted Jacobian Regularization in Disentangled Latent Space
von: Pal, Shivam, et al.
Veröffentlicht: (2025)

Learning Ordered Representations in Latent Space for Intrinsic Dimension Estimation via Principal Component Autoencoder
von: Zhan, Qipeng, et al.
Veröffentlicht: (2026)

Latent Disentanglement in Mesh Variational Autoencoders Improves the Diagnosis of Craniofacial Syndromes and Aids Surgical Planning
von: Foti, Simone, et al.
Veröffentlicht: (2023)

A Comprehensive Review of Latent Space Dynamics Identification Algorithms for Intrusive and Non-Intrusive Reduced-Order-Modeling
von: Bonneville, Christophe, et al.
Veröffentlicht: (2024)

Disentangled Graph Autoencoder for Treatment Effect Estimation
von: Fan, Di, et al.
Veröffentlicht: (2024)

Disentanglement with Factor Quantized Variational Autoencoders
von: Baykal, Gulcin, et al.
Veröffentlicht: (2024)

Grammarization-Based Grasping with Deep Multi-Autoencoder Latent Space Exploration by Reinforcement Learning Agent
von: Askianakis, Leonidas
Veröffentlicht: (2024)

Subspace-Decomposed JEPAs: Disentangling Progression and Content in Latent World Models
von: Thil, Lucas, et al.
Veröffentlicht: (2026)

Decoder Decomposition for the Analysis of the Latent Space of Nonlinear Autoencoders With Wind-Tunnel Experimental Data
von: Mo, Yaxin, et al.
Veröffentlicht: (2024)

Data-efficient and Interpretable Inverse Materials Design using a Disentangled Variational Autoencoder
von: Zeng, Cheng, et al.
Veröffentlicht: (2024)