Buchumschlag

Distributional Sensitivity Analysis: Enabling Differentiability in Sample-Based Inference

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chuang, Pi-Yueh, Attia, Ahmed, Constantinescu, Emil
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

Differentiable DG with Neural Operator Source Term Correction
von: Kang, Shinhoo, et al.
Veröffentlicht: (2023)

Improving the Predictability of the Madden-Julian Oscillation at Subseasonal Scales with Gaussian Process Models
von: Chen, Haoyuan, et al.
Veröffentlicht: (2025)

Latent Neural Operator Pretraining for Solving Time-Dependent PDEs
von: Wang, Tian, et al.
Veröffentlicht: (2024)

Latent Neural Operator for Solving Forward and Inverse PDE Problems
von: Wang, Tian, et al.
Veröffentlicht: (2024)

Variational Bayesian Inference for Tensor Robust Principal Component Analysis
von: Wang, Chao, et al.
Veröffentlicht: (2024)

A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Parameter Inference based on Gaussian Processes Informed by Nonlinear Partial Differential Equations
von: Li, Zhaohui, et al.
Veröffentlicht: (2022)

An Orthogonal Polynomial Kernel-Based Machine Learning Model for Differential-Algebraic Equations
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

Data-Efficient Kernel Methods for Learning Differential Equations and Their Solution Operators: Algorithms and Error Analysis
von: Jalalian, Yasamin, et al.
Veröffentlicht: (2025)

Matrix Completion with Cross-Concentrated Sampling: Bridging Uniform Sampling and CUR Sampling
von: Cai, HanQin, et al.
Veröffentlicht: (2022)

Automatic Differentiation is Essential in Training Neural Networks for Solving Differential Equations
von: Chen, Chuqi, et al.
Veröffentlicht: (2024)

Variational (Energy-Based) Spectral Learning: A Machine Learning Framework for Solving Partial Differential Equations
von: Hammad, M. M.
Veröffentlicht: (2026)

Differentially Private Linear Bandits with Partial Distributed Feedback
von: Li, Fengjiao, et al.
Veröffentlicht: (2022)

Machine Learning Based Optimization Workflow for Tuning Numerical Settings of Differential Equation Solvers for Boundary Value Problems
von: Victor, Viny Saajan, et al.
Veröffentlicht: (2024)

Scale-Consistent Learning for Partial Differential Equations
von: Li, Zongyi, et al.
Veröffentlicht: (2025)

Latent Space Inference via Paired Autoencoders
von: Hart, Emma, et al.
Veröffentlicht: (2026)

FLUID: Flow-based Unified Inference for Dynamics
von: Cui, Tiangang, et al.
Veröffentlicht: (2026)

Scalable Bayesian Inference for Nonlinear Conservation Laws
von: Weiland, Tim, et al.
Veröffentlicht: (2026)

Weak Generative Sampler to Efficiently Sample Invariant Distribution of Stochastic Differential Equation
von: Cai, Zhiqiang, et al.
Veröffentlicht: (2024)

Discrete Differential Principle for Continuous Smooth Function Representation
von: Wang, Guoyou, et al.
Veröffentlicht: (2025)

Efficient Differentiable Approximation of Generalized Low-rank Regularization
von: Li, Naiqi, et al.
Veröffentlicht: (2025)

Solving Partial Differential Equations with Random Feature Models
von: Liao, Chunyang
Veröffentlicht: (2024)

HAMLET: Graph Transformer Neural Operator for Partial Differential Equations
von: Bryutkin, Andrey, et al.
Veröffentlicht: (2024)

Physics-embedded Fourier Neural Network for Partial Differential Equations
von: Xu, Qingsong, et al.
Veröffentlicht: (2024)

Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning
von: Chen, Jiale, et al.
Veröffentlicht: (2024)

Component Fourier Neural Operator for Singularly Perturbed Differential Equations
von: Li, Ye, et al.
Veröffentlicht: (2024)

Self-Supervised Learning with Lie Symmetries for Partial Differential Equations
von: Mialon, Grégoire, et al.
Veröffentlicht: (2023)

A PDE-based Explanation of Extreme Numerical Sensitivities and Edge of Stability in Training Neural Networks
von: Sun, Yuxin, et al.
Veröffentlicht: (2022)

On the Convergence of Irregular Sampling in Reproducing Kernel Hilbert Spaces
von: Iske, Armin
Veröffentlicht: (2025)

Decoupled Diffusion Sampling for Inverse Problems on Function Spaces
von: Lin, Thomas Y. L., et al.
Veröffentlicht: (2026)

Sample Efficient Learning of Factored Embeddings of Tensor Fields
von: Heo, Taemin, et al.
Veröffentlicht: (2022)

Randomized Neural Networks for Partial Differential Equation on Static and Evolving Surfaces
von: Sun, Jingbo, et al.
Veröffentlicht: (2026)

Random Neural Network Expressivity for Non-Linear Partial Differential Equations
von: Mehmood, Muhammed Ali, et al.
Veröffentlicht: (2026)

Finite Expression Method for Solving High-Dimensional Partial Differential Equations
von: Liang, Senwei, et al.
Veröffentlicht: (2022)

Fine-Tune Language Models as Multi-Modal Differential Equation Solvers
von: Yang, Liu, et al.
Veröffentlicht: (2023)

Randomized Neural Networks for Integro-Differential Equations with Application to Neutron Transport
von: Dang, Haoning, et al.
Veröffentlicht: (2026)

LAMP: Look-Ahead Mixed-Precision Inference of Large Language Models
von: Budzinskiy, Stanislav, et al.
Veröffentlicht: (2026)

Adaptive-Distribution Randomized Neural Networks for PDEs: A Low-Dimensional Distribution-Learning Framework
von: Yang, You, et al.
Veröffentlicht: (2026)

The Sample Complexity of Learning Lipschitz Operators with respect to Gaussian Measures
von: Adcock, Ben, et al.
Veröffentlicht: (2024)

Guaranteed Sampling Flexibility for Low-tubal-rank Tensor Completion
von: Su, Bowen, et al.
Veröffentlicht: (2024)