Buchumschlag

Intrinsic Dimension Estimating Autoencoder (IDEA) Using CancelOut Layer and a Projected Loss

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Oriou, Antoine, Krah, Philipp, Koellermeier, Julian
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Paired Autoencoders for Likelihood-free Estimation in Inverse Problems
von: Chung, Matthias, et al.
Veröffentlicht: (2024)

Macro-micro decomposition for consistent and conservative model order reduction of hyperbolic shallow water moment equations: A study using POD-Galerkin and dynamical low rank approximation
von: Koellermeier, Julian, et al.
Veröffentlicht: (2023)

Beyond Loss Guidance: Using PDE Residuals as Spectral Attention in Diffusion Neural Operators
von: Sawhney, Medha, et al.
Veröffentlicht: (2025)

Sparse $L^1$-Autoencoders for Scientific Data Compression
von: Chung, Matthias, et al.
Veröffentlicht: (2024)

Min-Max Optimisation for Nonconvex-Nonconcave Functions Using a Random Zeroth-Order Extragradient Algorithm
von: Farzin, Amir Ali, et al.
Veröffentlicht: (2025)

Learning from Integral Losses in Physics Informed Neural Networks
von: Saleh, Ehsan, et al.
Veröffentlicht: (2023)

Projection Methods for Operator Learning and Universal Approximation
von: Zappala, Emanuele
Veröffentlicht: (2024)

BWLer: Barycentric Weight Layer Elucidates a Precision-Conditioning Tradeoff for PINNs
von: Liu, Jerry, et al.
Veröffentlicht: (2025)

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

Intrinsic Numerical Robustness and Fault Tolerance in a Neuromorphic Algorithm for Scientific Computing
von: Theilman, Bradley H., et al.
Veröffentlicht: (2026)

Projective Integration Methods in the Runge-Kutta Framework and the Extension to Adaptivity in Time
von: Koellermeier, Julian, et al.
Veröffentlicht: (2022)

Learning to Relax: Setting Solver Parameters Across a Sequence of Linear System Instances
von: Khodak, Mikhail, et al.
Veröffentlicht: (2023)

Discrepancies are Virtue: Weak-to-Strong Generalization through Lens of Intrinsic Dimension
von: Dong, Yijun, et al.
Veröffentlicht: (2025)

Generalization capabilities of MeshGraphNets to unseen geometries for fluid dynamics
von: Schmöcker, Robin, et al.
Veröffentlicht: (2024)

A Practical Approach to Causal Inference over Time
von: Cinquini, Martina, et al.
Veröffentlicht: (2024)

A Mathematical Guide to Operator Learning
von: Boullé, Nicolas, et al.
Veröffentlicht: (2023)

Truncated Matrix Completion - An Empirical Study
von: Naik, Rishhabh, et al.
Veröffentlicht: (2025)

Random weights of DNNs and emergence of fixed points
von: Berlyand, L., et al.
Veröffentlicht: (2025)

Deriving Transformer Architectures as Implicit Multinomial Regression
von: Actor, Jonas A., et al.
Veröffentlicht: (2025)

Learning to Discover Iterative Spectral Algorithms
von: Liu, Zihang, et al.
Veröffentlicht: (2026)

Graph Neural Networks for Emulation of Finite-Element Ice Dynamics in Greenland and Antarctic Ice Sheets
von: Koo, Younghyun, et al.
Veröffentlicht: (2024)

Neural Operators with Localized Integral and Differential Kernels
von: Liu-Schiaffini, Miguel, et al.
Veröffentlicht: (2024)

HomPINNs: homotopy physics-informed neural networks for solving the inverse problems of nonlinear differential equations with multiple solutions
von: Zheng, Haoyang, et al.
Veröffentlicht: (2023)

Generalized Orders of Magnitude for Scalable, Parallel, High-Dynamic-Range Computation
von: Heinsen, Franz A., et al.
Veröffentlicht: (2025)

Critical Sampling for Robust Evolution Operator Learning of Unknown Dynamical Systems
von: Zhang, Ce, et al.
Veröffentlicht: (2023)

ProFlow: Zero-Shot Physics-Consistent Sampling via Proximal Flow Guidance
von: Yu, Zichao, et al.
Veröffentlicht: (2026)

AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios
von: Huang, Zhongzhan, et al.
Veröffentlicht: (2023)

Operator learning without the adjoint
von: Boullé, Nicolas, et al.
Veröffentlicht: (2024)

GRAFT: Gradient-Aware Fast MaxVol Technique for Dynamic Data Sampling
von: Jha, Ashish, et al.
Veröffentlicht: (2025)

Autoregression-Free Neural Operators for Time-Dependent PDEs
von: Zhang, Jiaquan, et al.
Veröffentlicht: (2026)

Learning Semilinear Neural Operators : A Unified Recursive Framework For Prediction And Data Assimilation
von: Singh, Ashutosh, et al.
Veröffentlicht: (2024)

Observation-specific explanations through scattered data approximation
von: Ghidini, Valentina, et al.
Veröffentlicht: (2024)

KAN-GCN: Combining Kolmogorov-Arnold Network with Graph Convolution Network for an Accurate Ice Sheet Emulator
von: Liu, Zesheng, et al.
Veröffentlicht: (2025)

Market-Driven Subset Selection for Budgeted Training
von: Jha, Ashish, et al.
Veröffentlicht: (2025)

Core-Halo Decomposition: Decentralizing Large-Scale Fixed-Point Problems
von: Haixiang, et al.
Veröffentlicht: (2026)

A Mathematical Explanation of Transformers
von: Tai, Xue-Cheng, et al.
Veröffentlicht: (2025)

Mixture of Experts Softens the Curse of Dimensionality in Operator Learning
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2024)

Advancing the Understanding of Fixed Point Iterations in Deep Neural Networks: A Detailed Analytical Study
von: Ke, Yekun, et al.
Veröffentlicht: (2024)

Low-Rank Adversarial PGD Attack
von: Savostianova, Dayana, et al.
Veröffentlicht: (2024)

Unisolver: PDE-Conditional Transformers Towards Universal Neural PDE Solvers
von: Zhou, Hang, et al.
Veröffentlicht: (2024)