Buchumschlag

Coefficient-to-Basis Network: A Fine-Tunable Operator Learning Framework for Inverse Problems with Adaptive Discretizations and Theoretical Guarantees

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Zecheng, Liu, Hao, Liao, Wenjing, Lin, Guang
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

Neural Scaling Laws of Deep ReLU and Deep Operator Network: A Theoretical Study
von: Liu, Hao, et al.
Veröffentlicht: (2024)

Generalization Error Guaranteed Auto-Encoder-Based Nonlinear Model Reduction for Operator Learning
von: Liu, Hao, et al.
Veröffentlicht: (2024)

Learning Difference-of-Convex Regularizers for Inverse Problems: A Flexible Framework with Theoretical Guarantees
von: Zhang, Yasi, et al.
Veröffentlicht: (2025)

Conformalized-DeepONet: A Distribution-Free Framework for Uncertainty Quantification in Deep Operator Networks
von: Moya, Christian, et al.
Veröffentlicht: (2024)

DeepONet as a Multi-Operator Extrapolation Model: Distributed Pretraining with Physics-Informed Fine-Tuning
von: Zhang, Zecheng, et al.
Veröffentlicht: (2024)

MODNO: Multi Operator Learning With Distributed Neural Operators
von: Zhang, Zecheng
Veröffentlicht: (2024)

Theoretical Analysis of Meta Reinforcement Learning: Generalization Bounds and Convergence Guarantees
von: Wang, Cangqing, et al.
Veröffentlicht: (2024)

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

LeMON: Learning to Learn Multi-Operator Networks
von: Sun, Jingmin, et al.
Veröffentlicht: (2024)

Deep Neural Networks are Adaptive to Function Regularity and Data Distribution in Approximation and Estimation
von: Liu, Hao, et al.
Veröffentlicht: (2024)

Interpretable Operator Learning for Inverse Problems via Adaptive Spectral Filtering: Convergence and Discretization Invariance
von: Dong, Hang-Cheng, et al.
Veröffentlicht: (2026)

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

Convergence and Recovery Guarantees of Unsupervised Neural Networks for Inverse Problems
von: Buskulic, Nathan, et al.
Veröffentlicht: (2023)

A Deep Learning Framework for Multi-Operator Learning: Architectures and Approximation Theory
von: Weihs, Adrien, et al.
Veröffentlicht: (2025)

Radial Basis Operator Networks
von: Kurz, Jason, et al.
Veröffentlicht: (2024)

Finite Element Representation Network (FERN) for Operator Learning with a Localized Trainable Basis
von: Zhang, Zecheng, et al.
Veröffentlicht: (2025)

Neural Integral Operators for Inverse Problems: An Operator-Learning Framework for Small-Sample Spectroscopic Classification
von: Zappala, Emanuele, et al.
Veröffentlicht: (2025)

Recovery Guarantees of Unsupervised Neural Networks for Inverse Problems trained with Gradient Descent
von: Buskulic, Nathan, et al.
Veröffentlicht: (2024)

Learning Generalizable Neural Operators for Inverse Problems
von: Thorpe, Adam J., et al.
Veröffentlicht: (2025)

Theoretically Guaranteed Distribution Adaptable Learning
von: Xu, Chao, et al.
Veröffentlicht: (2024)

A Generalized Meta Federated Learning Framework with Theoretical Convergence Guarantees
von: Jamali, Mohammad Vahid, et al.
Veröffentlicht: (2025)

Composite Active Learning: Towards Multi-Domain Active Learning with Theoretical Guarantees
von: Hao, Guang-Yuan, et al.
Veröffentlicht: (2024)

Basis-to-Basis Operator Learning Using Function Encoders
von: Ingebrand, Tyler, et al.
Veröffentlicht: (2024)

Adaptive Initial Residual Connections for GNNs with Theoretical Guarantees
von: Shirzadi, Mohammad, et al.
Veröffentlicht: (2025)

Data-Driven Variational Basis Learning Beyond Neural Networks: A Non-Neural Framework for Adaptive Basis Discovery
von: Kiruluta, Andrew
Veröffentlicht: (2026)

Clustering with Tangles: Algorithmic Framework and Theoretical Guarantees
von: Klepper, Solveig, et al.
Veröffentlicht: (2020)

Deep Neural Operator Learning for Probabilistic Models
von: Bayraktar, Erhan, et al.
Veröffentlicht: (2025)

Towards Robust Learning to Optimize with Theoretical Guarantees
von: Song, Qingyu, et al.
Veröffentlicht: (2025)

Adversarial Autoencoders in Operator Learning
von: Enyeart, Dustin, et al.
Veröffentlicht: (2024)

Towards a Foundation Model for Partial Differential Equations: Multi-Operator Learning and Extrapolation
von: Sun, Jingmin, et al.
Veröffentlicht: (2024)

A Unified and Stable Risk Minimization Framework for Weakly Supervised Learning with Theoretical Guarantees
von: Zhang, Miao, et al.
Veröffentlicht: (2025)

Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control
von: Xu, Zijie, et al.
Veröffentlicht: (2025)

Tunable Soft Equivariance with Guarantees
von: Rahman, Md Ashiqur, et al.
Veröffentlicht: (2026)

Adv-SSL: Adversarial Self-Supervised Representation Learning with Theoretical Guarantees
von: Duan, Chenguang, et al.
Veröffentlicht: (2024)

fPINN-DeepONet: A Physics-Informed Operator Learning Framework for Multi-term Time-fractional Mixed Diffusion-wave Equations
von: Lu, Binghang, et al.
Veröffentlicht: (2026)

Theoretical Guarantees for Low-Rank Compression of Deep Neural Networks
von: Zhang, Shihao, et al.
Veröffentlicht: (2025)

Reinforcement Learning of Adaptive Acquisition Policies for Inverse Problems
von: Silvestri, Gianluigi, et al.
Veröffentlicht: (2024)

GeoGen: A Two-stage Coarse-to-Fine Framework for Fine-grained Synthetic Location-based Social Network Trajectory Generation
von: Xu, Rongchao, et al.
Veröffentlicht: (2025)

Supervised Fine-Tuning as Inverse Reinforcement Learning
von: Sun, Hao
Veröffentlicht: (2024)

A Deep Neural Network Framework for Solving Forward and Inverse Problems in Delay Differential Equations
von: Wang, Housen, et al.
Veröffentlicht: (2024)