Buchumschlag

Reconstructing Physics-Informed Machine Learning for Traffic Flow Modeling: a Multi-Gradient Descent and Pareto Learning Approach

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lei, Yuan-Zheng, Gong, Yaobang, Chen, Dianwei, Cheng, Yao, Yang, Xianfeng Terry
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A two-stage search framework for constrained multi-gradient descent
von: Lei, Yuan-Zheng, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning for Advanced Longitudinal Control and Collision Avoidance in High-Risk Driving Scenarios
von: Chen, Dianwei, et al.
Veröffentlicht: (2024)

An optimization-free approximation Framework for Connected and Automated Vehicles Eco-Trajectory Planning Under limited computing capacity
von: Lei, Yuanzheng, et al.
Veröffentlicht: (2023)

Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis
von: Lei, Yuan-Zheng, et al.
Veröffentlicht: (2025)

Last-Iterate Convergence of Anchored Gradient Descent
von: Cai, Yang, et al.
Veröffentlicht: (2026)

Descent-Net: Learning Descent Directions for Constrained Optimization
von: Zhou, Zisheng, et al.
Veröffentlicht: (2025)

RESIST: Resilient Decentralized Learning Using Consensus Gradient Descent
von: Fang, Cheng, et al.
Veröffentlicht: (2025)

Gauss-Newton Natural Gradient Descent for Physics-Informed Computational Fluid Dynamics
von: Jnini, Anas, et al.
Veröffentlicht: (2024)

Dual Natural Gradient Descent for Scalable Training of Physics-Informed Neural Networks
von: Jnini, Anas, et al.
Veröffentlicht: (2025)

Trajectory-Oriented Control Using Gradient Descent: An Unconventional Approach
von: Esmzad, Ramin, et al.
Veröffentlicht: (2024)

Learning Provably Improves the Convergence of Gradient Descent
von: Song, Qingyu, et al.
Veröffentlicht: (2025)

Enhancing Fractional Gradient Descent with Learned Optimizers
von: Sobotka, Jan, et al.
Veröffentlicht: (2025)

Advanced Longitudinal Control and Collision Avoidance for High-Risk Edge Cases in Autonomous Driving
von: Chen, Dianwei, et al.
Veröffentlicht: (2025)

Pareto Front Shape-Agnostic Pareto Set Learning in Multi-Objective Optimization
von: Ye, Rongguang, et al.
Veröffentlicht: (2024)

Convergence of Implicit Gradient Descent for Training Two-Layer Physics-Informed Neural Networks
von: Xu, Xianliang, et al.
Veröffentlicht: (2024)

Natural Gradient Descent for Control
von: Esmzad, Ramin, et al.
Veröffentlicht: (2025)

Gauss-Newton Natural Gradient Descent for Shape Learning
von: King, James, et al.
Veröffentlicht: (2026)

On the Convergence of Gradient Descent on Learning Transformers with Residual Connections
von: Qin, Zhen, et al.
Veröffentlicht: (2025)

Resilient Two-Time-Scale Local Stochastic Gradient Descent for Byzantine Federated Learning
von: Dutta, Amit, et al.
Veröffentlicht: (2024)

Interpretable Gradient Descent for Kalman Gain
von: Belabbas, M. A., et al.
Veröffentlicht: (2025)

Incremental Gauss-Newton Descent for Machine Learning
von: Korbit, Mikalai, et al.
Veröffentlicht: (2024)

Decentralized Robust Data-driven Predictive Control for Smoothing Mixed Traffic Flow
von: Shang, Xu, et al.
Veröffentlicht: (2024)

Input-Output Stability of Gradient Descent: A Discrete-Time Passivity-Based Approach
von: Moalemi, Sepehr, et al.
Veröffentlicht: (2024)

Control-Oriented System Identification: Classical, Learning, and Physics-Informed Approaches
von: Sivaranjani, S., et al.
Veröffentlicht: (2025)

A Poisson Jump-driven SDE Approach to Distributed Gradient Descent with Sparse Communication
von: Weber, Marc, et al.
Veröffentlicht: (2025)

GLinSAT: The General Linear Satisfiability Neural Network Layer By Accelerated Gradient Descent
von: Zeng, Hongtai, et al.
Veröffentlicht: (2024)

Convergence Analysis of Noisy Distributed Gradient Descent for Non-convex Optimization -- Saddle Point Escape
von: Qin, Lei, et al.
Veröffentlicht: (2025)

Traversing Pareto Optimal Policies: Provably Efficient Multi-Objective Reinforcement Learning
von: Qiu, Shuang, et al.
Veröffentlicht: (2024)

Gradient Descent Converges Linearly to Flatter Minima than Gradient Flow in Shallow Linear Networks
von: Beneventano, Pierfrancesco, et al.
Veröffentlicht: (2025)

Stochastic Adaptive Gradient Descent Without Descent
von: Aujol, Jean-François, et al.
Veröffentlicht: (2025)

Parameter Symmetry and Noise Equilibrium of Stochastic Gradient Descent
von: Ziyin, Liu, et al.
Veröffentlicht: (2024)

Accelerated Gradient Descent by Concatenation of Stepsize Schedules
von: Zhang, Zehao, et al.
Veröffentlicht: (2024)

Gradient Descent for Convex and Smooth Noisy Optimization
von: Hu, Feifei, et al.
Veröffentlicht: (2024)

Riemannian Inexact Gradient Descent for Quadratic Discrimination
von: Talwar, Uday, et al.
Veröffentlicht: (2025)

Composing Optimized Stepsize Schedules for Gradient Descent
von: Grimmer, Benjamin, et al.
Veröffentlicht: (2024)

Local Curvature Descent: Squeezing More Curvature out of Standard and Polyak Gradient Descent
von: Richtárik, Peter, et al.
Veröffentlicht: (2024)

Corner Gradient Descent
von: Yarotsky, Dmitry
Veröffentlicht: (2025)

Anytime Acceleration of Gradient Descent
von: Zhang, Zihan, et al.
Veröffentlicht: (2024)

Machine Learning for Quantitative MR Image Reconstruction
von: Kofler, Andreas, et al.
Veröffentlicht: (2024)

AutoGD: Automatic Learning Rate Selection for Gradient Descent
von: Surjanovic, Nikola, et al.
Veröffentlicht: (2025)