Buchumschlag

Data-Driven Approximation of Binary-State Network Reliability Function: Algorithm Selection and Reliability Thresholds for Large-Scale Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Yeh, Wei-Chang
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

A Cut-Based BAT-MCS Approach for Binary-State Network Reliability Assessment
von: Yeh, Wei-Chang
Veröffentlicht: (2025)

Applying Incremental Learning in Binary-Addition-Tree Algorithm for Dynamic Binary-State Network Reliability
von: Yeh, Wei-Chang
Veröffentlicht: (2024)

On the Dimension-Free Approximation of Deep Neural Networks for Symmetric Korobov Functions
von: Lu, Yulong, et al.
Veröffentlicht: (2025)

Parareal Neural Networks Emulating a Parallel-in-time Algorithm
von: Lee, Chang-Ock, et al.
Veröffentlicht: (2021)

Are Deep Learning Based Hybrid PDE Solvers Reliable? Why Training Paradigms and Update Strategies Matter
von: Wu, Yuhan, et al.
Veröffentlicht: (2026)

Interpretable AI-Assisted Early Reliability Prediction for a Two-Parameter Parallel Root-Finding Scheme
von: Carpentieri, Bruno, et al.
Veröffentlicht: (2026)

Multigrade Neural Network Approximation
von: Zhang, Shijun, 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)

Efficient Algorithms for Regularized Nonnegative Scale-invariant Low-rank Approximation Models
von: Cohen, Jeremy E., et al.
Veröffentlicht: (2024)

Binary Weight Allocation for Multi-Objective Path Optimization: Efficient Earliest and Latest Path Discovery in Network Systems
von: Yeh, Wei-Chang
Veröffentlicht: (2025)

Sinusoidal Approximation Theorem for Kolmogorov-Arnold Networks
von: Gleyzer, Sergei, et al.
Veröffentlicht: (2025)

Expressive Power of Deep Networks on Manifolds: Simultaneous Approximation
von: Zhou, Hanfei, et al.
Veröffentlicht: (2025)

Geometric Layer-wise Approximation Rates for Deep Networks
von: Zhang, Shijun, et al.
Veröffentlicht: (2026)

Simultaneous Approximation of the Score Function and Its Derivatives by Deep Neural Networks
von: Yakovlev, Konstantin, et al.
Veröffentlicht: (2025)

Approximation Power of Deep Neural Networks: an explanatory mathematical survey
von: Davis, Owen, et al.
Veröffentlicht: (2022)

Why Shallow Networks Struggle to Approximate and Learn High Frequencies
von: Zhang, Shijun, et al.
Veröffentlicht: (2023)

DPOT: Auto-Regressive Denoising Operator Transformer for Large-Scale PDE Pre-Training
von: Hao, Zhongkai, et al.
Veröffentlicht: (2024)

Gradients of Functions of Large Matrices
von: Krämer, Nicholas, et al.
Veröffentlicht: (2024)

Operator SVD with Neural Networks via Nested Low-Rank Approximation
von: Ryu, J. Jon, et al.
Veröffentlicht: (2024)

Sobolev Approximation of Deep ReLU Networks in Log-Barron Space
von: Song, Changhoon, et al.
Veröffentlicht: (2026)

Approximating Matrix Functions with Deep Neural Networks and Transformers
von: Padmanabhan, Rahul, et al.
Veröffentlicht: (2026)

Approximation with SiLU Networks: Constant Depth and Exponential Rates for Basic Operations
von: Ayena, Koffi O.
Veröffentlicht: (2025)

Data-Guided Physics-Informed Neural Networks for Solving Inverse Problems in Partial Differential Equations
von: Zhou, Wei, et al.
Veröffentlicht: (2024)

Error Analysis and Numerical Algorithm for PDE Approximation with Hidden-Layer Concatenated Physics Informed Neural Networks
von: Qian, Yianxia, et al.
Veröffentlicht: (2024)

Data-Driven Spectral Prediction for Accelerating Large-Scale Electronic Structure Calculations
von: Badrinarayanan, Abhiram, et al.
Veröffentlicht: (2026)

Data-Driven, ML-assisted Approaches to Problem Well-Posedness
von: Bertalan, Tom, et al.
Veröffentlicht: (2025)

Multi-Level GNN Preconditioner for Solving Large Scale Problems
von: Nastorg, Matthieu, et al.
Veröffentlicht: (2024)

Tensor Decomposition Meets RKHS: Efficient Algorithms for Smooth and Misaligned Data
von: Larsen, Brett W., et al.
Veröffentlicht: (2024)

Discovering Scaling Exponents with Physics-Informed Müntz-Szász Networks
von: N'guessan, Gnankan Landry Regis, et al.
Veröffentlicht: (2026)

Mixture-of-Experts Operator Transformer for Large-Scale PDE Pre-Training
von: Wang, Hong, et al.
Veröffentlicht: (2025)

Sketchy Moment Matching: Toward Fast and Provable Data Selection for Finetuning
von: Dong, Yijun, et al.
Veröffentlicht: (2024)

ChebNet: Efficient and Stable Constructions of Deep Neural Networks with Rectified Power Units via Chebyshev Approximations
von: Tang, Shanshan, et al.
Veröffentlicht: (2019)

Fast Mutual Information Computation for Large Binary Datasets
von: Falcao, Andre O.
Veröffentlicht: (2024)

Free-RBF-KAN: Kolmogorov-Arnold Networks with Adaptive Radial Basis Functions for Efficient Function Learning
von: Chiu, Shao-Ting, et al.
Veröffentlicht: (2026)

Approximation properties of neural ODEs
von: De Marinis, Arturo, et al.
Veröffentlicht: (2025)

Large Data Limits of Laplace Learning for Gaussian Measure Data in Infinite Dimensions
von: Zhong, Zhengang, et al.
Veröffentlicht: (2026)

Solving Nonlinear PDEs with Sparse Radial Basis Function Networks
von: Shao, Zihan, et al.
Veröffentlicht: (2025)

Data-Driven Self-Supervised Learning for the Discovery of Solution Singularity for Partial Differential Equations
von: Cai, Difeng, et al.
Veröffentlicht: (2025)

Data-Driven Model Reduction using WeldNet: Windowed Encoders for Learning Dynamics
von: Dahal, Biraj, et al.
Veröffentlicht: (2025)

chebgreen: Learning and Interpolating Continuous Empirical Green's Functions from Data
von: Praveen, Harshwardhan, et al.
Veröffentlicht: (2025)