Buchumschlag

A Kernel-based Stochastic Approximation Framework for Nonlinear Operator Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Jia-Qi, Shi, Lei
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Numerical Analysis Functional Analysis Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Operators by Regularized Stochastic Gradient Descent with Operator-valued Kernels
von: Yang, Jia-Qi, et al.
Veröffentlicht: (2025)

Learning Operators with Stochastic Gradient Descent in General Hilbert Spaces
von: Shi, Lei, et al.
Veröffentlicht: (2024)

Which Spaces can be Embedded in $L_p$-type Reproducing Kernel Banach Space? A Characterization via Metric Entropy
von: Lu, Yiping, et al.
Veröffentlicht: (2024)

Universal Approximation of Nonlinear Operators and Their Derivatives
von: de Feo, Filippo
Veröffentlicht: (2026)

Convergence Rates for Learning Pseudo-Differential Operators
von: Chen, Jiaheng, et al.
Veröffentlicht: (2026)

Transformers for Learning on Noisy and Task-Level Manifolds: Approximation and Generalization Insights
von: Shen, Zhaiming, et al.
Veröffentlicht: (2025)

Towards Sharp Minimax Risk Bounds for Operator Learning
von: Adcock, Ben, et al.
Veröffentlicht: (2025)

Solving PDEs on Spheres with Physics-Informed Convolutional Neural Networks
von: Lei, Guanhang, et al.
Veröffentlicht: (2023)

A Kernel-Based Approach for Modelling Gaussian Processes with Functional Information
von: Brown, D. Andrew, et al.
Veröffentlicht: (2022)

Score Operator Newton transport
von: Chandramoorthy, Nisha, et al.
Veröffentlicht: (2023)

Faster Diffusion Models via Higher-Order Approximation
von: Li, Gen, et al.
Veröffentlicht: (2025)

Dimension-Free Convergence of Diffusion Models for Approximate Gaussian Mixtures
von: Li, Gen, et al.
Veröffentlicht: (2025)

Simultaneous Approximation of the Score Function and Its Derivatives by Deep Neural Networks
von: Yakovlev, Konstantin, et al.
Veröffentlicht: (2025)

Gaussian Processes and Reproducing Kernels: Connections and Equivalences
von: Kanagawa, Motonobu, et al.
Veröffentlicht: (2025)

Stochastic approximation in infinite dimensions
von: Karandikar, Rajeeva Laxman, et al.
Veröffentlicht: (2024)

How Analysis Can Teach Us the Optimal Way to Design Neural Operators
von: Le, Vu-Anh, et al.
Veröffentlicht: (2024)

Non-Asymptotic Stability and Consistency Guarantees for Physics-Informed Neural Networks via Coercive Operator Analysis
von: Katende, Ronald
Veröffentlicht: (2025)

On Spectral Learning for Odeco Tensors: Perturbation, Initialization, and Algorithms
von: Auddy, Arnab, et al.
Veröffentlicht: (2025)

Constructive Approximation under Carleman's Condition, with Applications to Smoothed Analysis
von: Koehler, Frederic, et al.
Veröffentlicht: (2025)

Gaussian Process Regression under Computational and Epistemic Misspecification
von: Sanz-Alonso, Daniel, et al.
Veröffentlicht: (2023)

Data-driven Learning of Interaction Laws in Multispecies Particle Systems with Gaussian Processes: Convergence Theory and Applications
von: Feng, Jinchao, et al.
Veröffentlicht: (2025)

Don't Fix the Basis -- Learn It: Spectral Representation with Adaptive Basis Learning for PDEs
von: Zhao, Xuxiang, et al.
Veröffentlicht: (2026)

Principled Approaches for Extending Neural Architectures to Function Spaces for Operator Learning
von: Berner, Julius, et al.
Veröffentlicht: (2025)

Stochastic Regret Guarantees for Online Zeroth- and First-Order Bilevel Optimization
von: Nazari, Parvin, et al.
Veröffentlicht: (2025)

Enabling stratified sampling in high dimensions via nonlinear dimensionality reduction
von: Geraci, Gianluca, et al.
Veröffentlicht: (2025)

Optimal Recovery Meets Minimax Estimation
von: DeVore, Ronald, et al.
Veröffentlicht: (2025)

Can Linear Probes Measure LLM Uncertainty?
von: Dakhmouche, Ramzi, et al.
Veröffentlicht: (2025)

Posterior Covariance Structures in Gaussian Processes
von: Cai, Difeng, et al.
Veröffentlicht: (2024)

Linear cost and exponentially convergent approximation of Gaussian Matérn processes on intervals
von: Bolin, David, et al.
Veröffentlicht: (2024)

Weighted least-squares approximation with determinantal point processes and generalized volume sampling
von: Nouy, Anthony, et al.
Veröffentlicht: (2023)

Posterior Concentration of Bayesian Physics-Informed Neural Networks for Elliptic PDEs
von: Zhao, Yuxuan, et al.
Veröffentlicht: (2026)

Fisher-Rao Gradient Flow: Geodesic Convexity and Functional Inequalities
von: Carrillo, José A., et al.
Veröffentlicht: (2024)

Benign overfitting in Fixed Dimension via Physics-Informed Learning with Smooth Inductive Bias
von: Wong, Honam, et al.
Veröffentlicht: (2024)

Contributions to Robust and Efficient Methods for Analysis of High Dimensional Data
von: Yang, Kai
Veröffentlicht: (2025)

Distribution-Free Stochastic Analysis and Robust Multilevel Vector Field Anomaly Detection
von: Castrillon-Candas, Julio E, et al.
Veröffentlicht: (2022)

Long-time Integration of Nonlinear Wave Equations with Neural Operators
von: Lei, Guanhang, et al.
Veröffentlicht: (2024)

An Approximation Theory Framework for Measure-Transport Sampling Algorithms
von: Baptista, Ricardo, et al.
Veröffentlicht: (2023)

Stochastic Generalized Sampling
von: Finotti, Luca, et al.
Veröffentlicht: (2026)

Characteristic Learning for Provable One Step Generation
von: Ding, Zhao, et al.
Veröffentlicht: (2024)

Provable Diffusion Posterior Sampling for Bayesian Inversion
von: Chang, Jinyuan, et al.
Veröffentlicht: (2025)