:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Manzhos, Sergei, Ihara, Manabu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2509.08457
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Gaussian Process Regression–Neural Network Hybrid with Optimized Redundant Coordinates: A New Simple Yet Potent Tool for Scientist's Machine Learning Toolbox
von: Sergei Manzhos, et al.
Veröffentlicht: (2026)

Orders-of-coupling representation with a single neural network with optimal neuron activation functions and without nonlinear parameter optimization
von: Manzhos, Sergei, et al.
Veröffentlicht: (2023)

Degeneration of kernel regression with Matern kernels into low-order polynomial regression in high dimension
von: Manzhos, Sergei, et al.
Veröffentlicht: (2023)

Machine learning-guided construction of an analytic kinetic energy functional for orbital free density functional theory
von: Manzhos, Sergei, et al.
Veröffentlicht: (2025)

Neural networks for neurocomputing circuits: a computational study of tolerance to noise and activation function non-uniformity when machine learning materials properties
von: Thant, Ye min, et al.
Veröffentlicht: (2025)

Machine learning of kinetic energy densities with target and feature averaging: better results with fewer training data
von: Manzhos, Sergei, et al.
Veröffentlicht: (2023)

A machine-learned kinetic energy model for light weight metals and compounds of group III-V elements
von: Lüder, Johann, et al.
Veröffentlicht: (2024)

Machine learning the screening factor in the soft bond valence approach for rapid crystal structure estimation
von: Kameda, Keisuke, et al.
Veröffentlicht: (2024)

A Study of Applicability of Density Functional Tight Binding—Molecular Mechanics Approach for the Calculation of Optical Properties
von: Tengxiang Li, et al.
Veröffentlicht: (2026)

Nuclear Mass Predictions Using a Neural Network with Additive Gaussian Process Regression-Optimized Activation Functions
von: Liu, H. X., et al.
Veröffentlicht: (2025)

A Lower Bound for the Number of Linear Regions of Ternary ReLU Regression Neural Networks
von: Nakahara, Yuta, et al.
Veröffentlicht: (2025)

Quantum Gaussian Process Regression for Bayesian Optimization
von: Rapp, Frederic, et al.
Veröffentlicht: (2023)

Hallmarks of Optimization Trajectories in Neural Networks: Directional Exploration and Redundancy
von: Singh, Sidak Pal, et al.
Veröffentlicht: (2024)

On the Two Sides of Redundancy in Graph Neural Networks
von: Bause, Franka, et al.
Veröffentlicht: (2023)

Adaptive Optimizable Gaussian Process Regression Linear Least Squares Regression Filtering Method for SEM Images
von: Ong, D. Chee Yong, et al.
Veröffentlicht: (2025)

Likelihood-Free Gaussian Process for Regression
von: Shikuri, Yuta
Veröffentlicht: (2020)

Implicit Manifold Gaussian Process Regression
von: Fichera, Bernardo, et al.
Veröffentlicht: (2023)

Robust and Conjugate Gaussian Process Regression
von: Altamirano, Matias, et al.
Veröffentlicht: (2023)

An Intuitive Tutorial to Gaussian Process Regression
von: Wang, Jie
Veröffentlicht: (2020)

Obstacle-aware Gaussian Process Regression
von: Shrivastava, Gaurav
Veröffentlicht: (2024)

Relative Information Gain and Gaussian Process Regression
von: Flynn, Hamish
Veröffentlicht: (2025)

Privacy-aware Gaussian Process Regression
von: Tuo, Rui, et al.
Veröffentlicht: (2023)

Sparse Techniques for Regression in Deep Gaussian Processes
von: Latz, Jonas, et al.
Veröffentlicht: (2025)

Scaling Gaussian Process Regression with Full Derivative Observations
von: Huang, Daniel
Veröffentlicht: (2025)

Distributionally Robust Active Learning for Gaussian Process Regression
von: Takeno, Shion, et al.
Veröffentlicht: (2025)

Guaranteed Coverage Prediction Intervals with Gaussian Process Regression
von: Papadopoulos, Harris
Veröffentlicht: (2023)

Group-Feature (Sensor) Selection With Controlled Redundancy Using Neural Networks
von: Saha, Aytijhya, et al.
Veröffentlicht: (2023)

Assessing Quantum Advantage for Gaussian Process Regression
von: Lowe, Dominic, et al.
Veröffentlicht: (2025)

Tensor-on-tensor Regression Neural Networks for Process Modeling with High-dimensional Data
von: Wang, Qian, et al.
Veröffentlicht: (2025)

Review of Recent Advances in Gaussian Process Regression Methods
von: Lyu, Chenyi, et al.
Veröffentlicht: (2024)

Sparse Gaussian Neural Processes
von: Rochussen, Tommy, et al.
Veröffentlicht: (2025)

High-Dimensional Gaussian Process Regression with Soft Kernel Interpolation
von: Camaño, Chris, et al.
Veröffentlicht: (2024)

Batch Active Learning in Gaussian Process Regression using Derivatives
von: Yu, Hon Sum Alec, et al.
Veröffentlicht: (2024)

Active Learning for Manifold Gaussian Process Regression
von: Cheng, Yuanxing, et al.
Veröffentlicht: (2025)

Random ReLU Neural Networks as Non-Gaussian Processes
von: Parhi, Rahul, et al.
Veröffentlicht: (2024)

Vecchia Gaussian Process Ensembles on Internal Representations of Deep Neural Networks
von: Jimenez, Felix, et al.
Veröffentlicht: (2023)

Transformer Neural Processes - Kernel Regression
von: Jenson, Daniel, et al.
Veröffentlicht: (2024)

Gaussian Process Regression for Inverse Problems in Linear PDEs
von: Li, Xin, et al.
Veröffentlicht: (2025)

Gaussian Process Regression with Soft Inequality and Monotonicity Constraints
von: Kochan, Didem, et al.
Veröffentlicht: (2024)

Symbolic Regression on Sparse and Noisy Data with Gaussian Processes
von: Hsin, Junette, et al.
Veröffentlicht: (2023)