Buchumschlag

Fourier Learning Machines: Nonharmonic Fourier-Based Neural Networks for Scientific Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rubel, Mominul, Meyers, Adam, Nicolosi, Gabriel
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

An Initial Condition-Dependent Neural Network Approach for Optimal Control Problems
von: Rubel, Mominul, et al.
Veröffentlicht: (2025)

Bundle Network: a Machine Learning-Based Bundle Method
von: Demelas, Francesca, et al.
Veröffentlicht: (2025)

Optimal and Diffusion Transports in Machine Learning
von: Peyré, Gabriel
Veröffentlicht: (2025)

Multi-Task Learning Based on Support Vector Machines and Twin Support Vector Machines: A Comprehensive Survey
von: Bazikar, Fatemeh, et al.
Veröffentlicht: (2025)

Learning Mixtures of Spherical Gaussians via Fourier Analysis
von: Chakraborty, Somnath, et al.
Veröffentlicht: (2020)

Combinatorial Optimization Augmented Machine Learning
von: Schiffer, Maximilian, et al.
Veröffentlicht: (2026)

Multi-Objective Optimization-Based Anonymization of Structured Data for Machine Learning Application
von: Wei, Yusi, et al.
Veröffentlicht: (2025)

Optimization meets Machine Learning: An Exact Algorithm for Semi-Supervised Support Vector Machines
von: Piccialli, Veronica, et al.
Veröffentlicht: (2023)

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

Global Optimization: A Machine Learning Approach
von: Bertsimas, Dimitris, et al.
Veröffentlicht: (2023)

Machine Learning for Inverse Problems and Data Assimilation
von: Bach, Eviatar, et al.
Veröffentlicht: (2024)

Machine Learning Model for Sparse PCM Completion
von: Koyuncu, Selcuk, et al.
Veröffentlicht: (2026)

On the Mechanism and Dynamics of Modular Addition: Fourier Features, Lottery Ticket, and Grokking
von: He, Jianliang, et al.
Veröffentlicht: (2026)

Responsible Machine Learning via Mixed-Integer Optimization
von: Justin, Nathan, et al.
Veröffentlicht: (2025)

How to unlearn a learned Machine Learning model ?
von: Achour, Seifeddine
Veröffentlicht: (2024)

Multi-fidelity Machine Learning for Uncertainty Quantification and Optimization
von: Zhang, Ruda, et al.
Veröffentlicht: (2024)

Optimal Data Splitting in Distributed Optimization for Machine Learning
von: Medyakov, Daniil, et al.
Veröffentlicht: (2024)

Learning to Price with Resource Constraints: From Full Information to Machine-Learned Prices
von: Ao, Ruicheng, et al.
Veröffentlicht: (2025)

From Data to Uncertainty Sets: a Machine Learning Approach
von: Bertsimas, Dimitris, et al.
Veröffentlicht: (2025)

Recent Developments in Machine Learning Methods for Stochastic Control and Games
von: Hu, Ruimeng, et al.
Veröffentlicht: (2023)

Machine Learning for K-adaptability in Two-stage Robust Optimization
von: Julien, Esther, et al.
Veröffentlicht: (2022)

Wasserstein Distributionally Robust Optimization: Theory and Applications in Machine Learning
von: Kuhn, Daniel, et al.
Veröffentlicht: (2019)

Learning Neural Networks by Neuron Pursuit
von: Kumar, Akshay, et al.
Veröffentlicht: (2025)

Transit Network Design with Two-Level Demand Uncertainties: A Machine Learning and Contextual Stochastic Optimization Framework
von: Guan, Hongzhao, et al.
Veröffentlicht: (2026)

Machine Learning-Augmented Optimization of Large Bilevel and Two-stage Stochastic Programs: Application to Cycling Network Design
von: Chan, Timothy C. Y., et al.
Veröffentlicht: (2022)

A Machine Learning Approach to Two-Stage Adaptive Robust Optimization
von: Bertsimas, Dimitris, et al.
Veröffentlicht: (2023)

Machine Learning Augmented Branch and Bound for Mixed Integer Linear Programming
von: Scavuzzo, Lara, et al.
Veröffentlicht: (2024)

Neighbor-Sampling Based Momentum Stochastic Methods for Training Graph Neural Networks
von: Noel, Molly, et al.
Veröffentlicht: (2025)

A Control Theoretic Framework for Adaptive Gradient Optimizers in Machine Learning
von: Chakrabarti, Kushal, et al.
Veröffentlicht: (2022)

Optimal Transport for Machine Learners
von: Peyré, Gabriel
Veröffentlicht: (2025)

Machine Learning Guided Optimal Transmission Switching to Mitigate Wildfire Ignition Risk
von: Huang, Weimin, et al.
Veröffentlicht: (2025)

Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation
von: Botache, Diego, et al.
Veröffentlicht: (2023)

Reconstructing Physics-Informed Machine Learning for Traffic Flow Modeling: a Multi-Gradient Descent and Pareto Learning Approach
von: Lei, Yuan-Zheng, et al.
Veröffentlicht: (2025)

A Semantic-Loss Function Modeling Framework With Task-Oriented Machine Learning Perspectives
von: Nguyen, Ti Ti, et al.
Veröffentlicht: (2025)

Machine Learning Algorithms for Improving Exact Classical Solvers in Mixed Integer Continuous Optimization
von: Kimiaei, Morteza, et al.
Veröffentlicht: (2025)

Learning-Augmented Decentralized Online Convex Optimization in Networks
von: Li, Pengfei, et al.
Veröffentlicht: (2023)

Convergence Analysis for Learning Orthonormal Deep Linear Neural Networks
von: Qin, Zhen, et al.
Veröffentlicht: (2023)

$k$-Submodular Interdiction Problems under Distributional Risk-Receptiveness and Robustness: Application to Machine Learning
von: Park, Seonghun, et al.
Veröffentlicht: (2024)

Enhancing Digital Health Services: A Machine Learning Approach to Personalized Exercise Goal Setting
von: Fang, Ji, et al.
Veröffentlicht: (2022)

State Estimation Using Particle Filtering in Adaptive Machine Learning Methods: Integrating Q-Learning and NEAT Algorithms with Noisy Radar Measurements
von: Song, Wonjin, et al.
Veröffentlicht: (2025)