Buchumschlag

Joint space-time wind field data extrapolation and uncertainty quantification using nonparametric Bayesian dictionary learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pasparakis, George D., Kougioumtzoglou, Ioannis A., Shields, Michael D.
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

Bayesian neural networks for predicting uncertainty in full-field material response
von: Pasparakis, George D., et al.
Veröffentlicht: (2024)

Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification
von: Sharma, Himanshu, et al.
Veröffentlicht: (2024)

Bayesian meta learning for trustworthy uncertainty quantification
von: Yuan, Zhenyuan, et al.
Veröffentlicht: (2024)

Scalable Bayesian uncertainty quantification with data-driven priors for radio interferometric imaging
von: Liaudat, Tobías I., et al.
Veröffentlicht: (2023)

Physics-constrained Gaussian Processes for Predicting Shockwave Hugoniot Curves
von: Pasparakis, George D., et al.
Veröffentlicht: (2026)

Evidential time-to-event prediction with calibrated uncertainty quantification
von: Huang, Ling, et al.
Veröffentlicht: (2024)

Variational bagging: a robust approach for Bayesian uncertainty quantification
von: Fan, Shitao, et al.
Veröffentlicht: (2025)

Improved uncertainty quantification for neural networks with Bayesian last layer
von: Fiedler, Felix, et al.
Veröffentlicht: (2023)

Deep set based operator learning with uncertainty quantification
von: Ma, Lei, et al.
Veröffentlicht: (2025)

Mamba time series forecasting with uncertainty quantification
von: Pessoa, Pedro, et al.
Veröffentlicht: (2025)

A Bayesian approach to learning mixtures of nonparametric components
von: Zhang, Yilei, et al.
Veröffentlicht: (2025)

Learning thermodynamically constrained equations of state with uncertainty
von: Sharma, Himanshu, et al.
Veröffentlicht: (2023)

Transfer learning for nonparametric Bayesian networks
von: Sojo, Rafael, et al.
Veröffentlicht: (2026)

AI enhanced data assimilation and uncertainty quantification applied to Geological Carbon Storage
von: Seabra, G. S., et al.
Veröffentlicht: (2024)

Active operator learning with predictive uncertainty quantification for partial differential equations
von: Winovich, Nick, et al.
Veröffentlicht: (2025)

BO4IO: A Bayesian optimization approach to inverse optimization with uncertainty quantification
von: Lu, Yen-An, et al.
Veröffentlicht: (2024)

Single- to multi-fidelity history-dependent learning with uncertainty quantification and disentanglement: application to data-driven constitutive modeling
von: Yi, Jiaxiang, et al.
Veröffentlicht: (2025)

Bayesian implementation of Targeted Maximum Likelihood Estimation for uncertainty quantification in causal effect estimation
von: Nannapaneni, Saideep, et al.
Veröffentlicht: (2025)

Partially stochastic deep learning with uncertainty quantification for model predictive heating control
von: Hannula, Emma, et al.
Veröffentlicht: (2025)

Model uncertainty quantification using feature confidence sets for outcome excursions
von: Ren, Junting, et al.
Veröffentlicht: (2025)

Dynamic fault detection and diagnosis of industrial alkaline water electrolyzer process with variational Bayesian dictionary learning
von: Zhang, Qi, et al.
Veröffentlicht: (2024)

Machine learning-enabled velocity model building with uncertainty quantification
von: Orozco, Rafael, et al.
Veröffentlicht: (2024)

Probabilistic operator learning: generative modeling and uncertainty quantification for foundation models of differential equations
von: Zhang, Benjamin J., et al.
Veröffentlicht: (2025)

Probabilistic neural operators for functional uncertainty quantification
von: Bülte, Christopher, et al.
Veröffentlicht: (2025)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

Generative imaging for radio interferometry with fast uncertainty quantification
von: Mars, Matthijs, et al.
Veröffentlicht: (2025)

Automated HER2 scoring with uncertainty quantification using lensfree holography and deep learning
von: Shen, Che-Yung, et al.
Veröffentlicht: (2026)

Safe learning-based control via function-based uncertainty quantification
von: Tokmak, Abdullah, et al.
Veröffentlicht: (2026)

Neural Chaos: A Spectral Stochastic Neural Operator
von: Bahmani, Bahador, et al.
Veröffentlicht: (2025)

Quantum parameter estimation with uncertainty quantification from continuous measurement data using neural network ensembles
von: Anteneh, Amanuel
Veröffentlicht: (2025)

Efficient nonparametric statistical inference on population feature importance using Shapley values
von: Williamson, Brian D., et al.
Veröffentlicht: (2020)

Alpha-VI DeepONet: A prior-robust variational Bayesian approach for enhancing DeepONets with uncertainty quantification
von: Lone, Soban Nasir, et al.
Veröffentlicht: (2024)

Surrogate modeling for uncertainty quantification in nonlinear dynamics
von: Marelli, S., et al.
Veröffentlicht: (2025)

Incorporating uncertainty quantification into travel mode choice modeling: a Bayesian neural network (BNN) approach and an uncertainty-guided active survey framework
von: Zheng, Shuwen, et al.
Veröffentlicht: (2024)

Measuring training variability from stochastic optimization using robust nonparametric testing
von: Banerjee, Sinjini, et al.
Veröffentlicht: (2024)

Distribution free uncertainty quantification in neuroscience-inspired deep operators
von: Garg, Shailesh, et al.
Veröffentlicht: (2024)

Polynomial Chaos Expansions on Principal Geodesic Grassmannian Submanifolds for Surrogate Modeling and Uncertainty Quantification
von: Giovanis, Dimitris G., et al.
Veröffentlicht: (2024)

The Bayesian Context Trees State Space Model for time series modelling and forecasting
von: Papageorgiou, Ioannis, et al.
Veröffentlicht: (2023)

Accelerating Hamiltonian Monte Carlo for Bayesian Inference in Neural Networks and Neural Operators
von: Thiagarajan, Ponkrshnan, et al.
Veröffentlicht: (2025)

Stratospheric aerosol source inversion: Noise, variability, and uncertainty quantification
von: Hart, J., et al.
Veröffentlicht: (2024)