Buchumschlag

Data-driven approaches to inverse problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schönlieb, Carola-Bibiane, Shumaylov, Zakhar
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Numerical Analysis Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Muon is Not That Special: Random or Inverted Spectra Work Just as Well
von: Shumaylov, Zakhar, et al.
Veröffentlicht: (2026)

Weakly Convex Regularisers for Inverse Problems: Convergence of Critical Points and Primal-Dual Optimisation
von: Shumaylov, Zakhar, et al.
Veröffentlicht: (2024)

Learning Regularization Functionals for Inverse Problems: A Comparative Study
von: Hertrich, Johannes, et al.
Veröffentlicht: (2025)

Hamiltonian Matching for Symplectic Neural Integrators
von: Canizares, Priscilla, et al.
Veröffentlicht: (2024)

When is a System Discoverable from Data? Discovery Requires Chaos
von: Shumaylov, Zakhar, et al.
Veröffentlicht: (2025)

Lie Algebra Canonicalization: Equivariant Neural Operators under arbitrary Lie Groups
von: Shumaylov, Zakhar, et al.
Veröffentlicht: (2024)

Learning truly monotone operators with applications to nonlinear inverse problems
von: Belkouchi, Younes, et al.
Veröffentlicht: (2024)

Expressivity of Bi-Lipschitz Normalizing Flows: A Score-Based Diffusion Perspective
von: Iske, Meira, et al.
Veröffentlicht: (2026)

Nonlinear model reduction for transport-dominated problems
von: Hesthaven, Jan S., et al.
Veröffentlicht: (2026)

Deep Network Trainability via Persistent Subspace Orthogonality
von: Massucco, Alex, et al.
Veröffentlicht: (2025)

Stability Preserving Data-driven Models With Latent Dynamics
von: Luo, Yushuang, et al.
Veröffentlicht: (2022)

Averaged Adam accelerates stochastic optimization in the training of deep neural network approximations for partial differential equation and optimal control problems
von: Dereich, Steffen, et al.
Veröffentlicht: (2025)

On Information Geometry and Iterative Optimization in Model Compression: Operator Factorization
von: Shumaylov, Zakhar, et al.
Veröffentlicht: (2025)

Christoffel-DPS: Optimal sensor placement in diffusion posterior sampling for arbitrary distributions
von: Rowbottom, James, et al.
Veröffentlicht: (2026)

Inverse Evolution Layers: Physics-informed Regularizers for Deep Neural Networks
von: Liu, Chaoyu, et al.
Veröffentlicht: (2023)

Langevin dynamics based algorithm e-TH$\varepsilon$O POULA for stochastic optimization problems with discontinuous stochastic gradient
von: Lim, Dong-Young, et al.
Veröffentlicht: (2022)

Approximation theory for 1-Lipschitz ResNets
von: Murari, Davide, et al.
Veröffentlicht: (2025)

Off-the-grid regularisation for Poisson inverse problems
von: Lazzaretti, Marta, et al.
Veröffentlicht: (2024)

Dynamic inverse problems: Online regularisation theory
von: Jauhiainen, Jyrki, et al.
Veröffentlicht: (2026)

On the convergence of stochastic variance reduced gradient for linear inverse problems
von: Jin, Bangti, et al.
Veröffentlicht: (2025)

Notes on the discretization of TV-norm regularized inverse potential problems
von: Baratchart, L, et al.
Veröffentlicht: (2025)

An adaptive heavy ball method for ill-posed inverse problems
von: Jin, Qinian, et al.
Veröffentlicht: (2024)

Fundamental Bias in Inverting Random Sampling Matrices with Application to Sub-sampled Newton
von: Niu, Chengmei, et al.
Veröffentlicht: (2025)

A Family of Controllable Momentum Coefficients for Forward-Backward Accelerated Algorithms
von: Fu, Mingwei, et al.
Veröffentlicht: (2025)

Control, Optimal Transport and Neural Differential Equations in Supervised Learning
von: Phung, Minh-Nhat, et al.
Veröffentlicht: (2025)

AutoBalance: An Automatic Balancing Framework for Training Physics-Informed Neural Networks
von: An, Kang, et al.
Veröffentlicht: (2025)

Minimisation of Submodular Functions Using Gaussian Zeroth-Order Random Oracles
von: Farzin, Amir Ali, et al.
Veröffentlicht: (2025)

First-order methods for stochastic and finite-sum convex optimization with deterministic constraints
von: Lu, Zhaosong, et al.
Veröffentlicht: (2025)

Nonlinear Dimensionality Reduction Techniques for Bayesian Optimization
von: Long, Luo, et al.
Veröffentlicht: (2025)

Machine Learning and Control: Foundations, Advances, and Perspectives
von: Zuazua, Enrique
Veröffentlicht: (2025)

Policy Gradient with Second Order Momentum
von: Sun, Tianyu
Veröffentlicht: (2025)

sparseGeoHOPCA: A Geometric Solution to Sparse Higher-Order PCA Without Covariance Estimation
von: Xu, Renjie, et al.
Veröffentlicht: (2025)

Fast and Provable Tensor-Train Format Tensor Completion via Precondtioned Riemannian Gradient Descent
von: Bian, Fengmiao, et al.
Veröffentlicht: (2025)

Accuracy of Discretely Sampled Stochastic Policies in Continuous-time Reinforcement Learning
von: Jia, Yanwei, et al.
Veröffentlicht: (2025)

Gradient Descent as a Perceptron Algorithm: Understanding Dynamics and Implicit Acceleration
von: Tyurin, Alexander
Veröffentlicht: (2025)

PADAM: Parallel averaged Adam reduces the error for stochastic optimization in scientific machine learning
von: Jentzen, Arnulf, et al.
Veröffentlicht: (2025)

Random Subspace Cubic-Regularization Methods, with Applications to Low-Rank Functions
von: Cartis, Coralia, et al.
Veröffentlicht: (2025)

Unsupervised Ground Metric Learning
von: Auffenberg, Janis, et al.
Veröffentlicht: (2025)

RGNMR: A Gauss-Newton method for robust matrix completion with theoretical guarantees
von: Laufer, Eilon Vaknin, et al.
Veröffentlicht: (2025)

Worth Their Weight: Randomized and Regularized Block Kaczmarz Algorithms without Preprocessing
von: Goldshlager, Gil, et al.
Veröffentlicht: (2025)