Buchumschlag

Geometric Autoencoder Priors for Bayesian Inversion: Learn First Observe Later

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vadeboncoeur, Arnaud, Duthé, Gregory, Girolami, Mark, Chatzi, Eleni
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Computational Physics Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Structured Kolmogorov-Arnold Neural ODEs for Interpretable Learning and Symbolic Discovery of Nonlinear Dynamics
von: Liu, Wei, et al.
Veröffentlicht: (2025)

The Ensemble Kalman Inversion Race
von: Gjini, Rebecca, et al.
Veröffentlicht: (2025)

GD-VAEs: Geometric Dynamic Variational Autoencoders for Learning Nonlinear Dynamics and Dimension Reductions
von: Lopez, Ryan, et al.
Veröffentlicht: (2022)

Bayesian Multistate Bennett Acceptance Ratio Methods
von: Ding, Xinqiang
Veröffentlicht: (2023)

Active Learning with Fully Bayesian Neural Networks for Discontinuous and Nonstationary Data
von: Ziatdinov, Maxim
Veröffentlicht: (2024)

Is the end of Insight in Sight ?
von: Tucny, Jean-Michel, et al.
Veröffentlicht: (2025)

Scientific machine learning in Hydrology: a unified perspective
von: Adombi, Adoubi Vincent De Paul
Veröffentlicht: (2025)

Data-driven topology design using a deep generative model
von: Yamasaki, Shintaro, et al.
Veröffentlicht: (2020)

Predicting Wind Loads on Container Ships in Harbor Environments through Multi-Fidelity Modeling
von: Fiore, Matilde, et al.
Veröffentlicht: (2026)

Distillation and Interpretability of Ensemble Forecasts of ENSO Phase using Entropic Learning
von: Groom, Michael, et al.
Veröffentlicht: (2026)

Fast frequency reconstruction using Deep Learning for event recognition in ring laser data
von: Di Somma, Giuseppe, et al.
Veröffentlicht: (2025)

Quantum State Tomography using Quantum Machine Learning
von: Innan, Nouhaila, et al.
Veröffentlicht: (2023)

Learning to solve Bayesian inverse problems: An amortized variational inference approach using Gaussian and Flow guides
von: Karumuri, Sharmila, et al.
Veröffentlicht: (2023)

An exact multiple-time-step variational formulation for the committor and the transition rate
von: Lorpaiboon, Chatipat, et al.
Veröffentlicht: (2025)

Hierarchical geometric deep learning enables scalable analysis of molecular dynamics
von: Pengmei, Zihan, et al.
Veröffentlicht: (2025)

Active Deep Kernel Learning of Molecular Properties: Realizing Dynamic Structural Embeddings
von: Ghosh, Ayana, et al.
Veröffentlicht: (2024)

PIED: Physics-Informed Experimental Design for Inverse Problems
von: Hemachandra, Apivich, et al.
Veröffentlicht: (2025)

PINNACLE: PINN Adaptive ColLocation and Experimental points selection
von: Lau, Gregory Kang Ruey, et al.
Veröffentlicht: (2024)

Liouville Flow Importance Sampler
von: Tian, Yifeng, et al.
Veröffentlicht: (2024)

Deep Bayesian Filter for Bayes-faithful Data Assimilation
von: Tarumi, Yuta, et al.
Veröffentlicht: (2024)

An information field theory approach to Bayesian state and parameter estimation in dynamical systems
von: Hao, Kairui, et al.
Veröffentlicht: (2023)

Annealed Stein Variational Gradient Descent for Improved Uncertainty Estimation in Full-Waveform Inversion
von: Corrales, Miguel, et al.
Veröffentlicht: (2024)

Deep-learning-assisted reconfigurable metasurface antenna for real-time holographic beam steering
von: Ma, Hyunjun, et al.
Veröffentlicht: (2024)

The Universe as a Learning System
von: Shushi, Tomer
Veröffentlicht: (2024)

Bayesian Learning in Structural Dynamics: A Comprehensive Review and Emerging Trends
von: Yan, Wang-Ji, et al.
Veröffentlicht: (2025)

Towards Ultimate NMR Resolution with Deep Learning
von: Jahangiri, Amir, et al.
Veröffentlicht: (2025)

Bayesian symbolic regression: Automated equation discovery from a physicists' perspective
von: Guimera, Roger, et al.
Veröffentlicht: (2025)

Learning to bin: differentiable and Bayesian optimization for multi-dimensional discriminants in high-energy physics
von: Erdmann, Johannes, et al.
Veröffentlicht: (2026)

Reducing hyperparameter sensitivity in measurement-feedback based Ising machines
von: Sevenants, Toon, et al.
Veröffentlicht: (2026)

Scalable learning of potentials to predict time-dependent Hartree-Fock dynamics
von: Bhat, Harish S., et al.
Veröffentlicht: (2024)

Learning Response-Statistic Shifts and Parametric Roll Episodes from Wave--Vessel Time Series via LSTM Functional Models
von: Ferrandis, Jose del Aguila
Veröffentlicht: (2026)

Calibration in Machine Learning Uncertainty Quantification: beyond consistency to target adaptivity
von: Pernot, Pascal
Veröffentlicht: (2023)

Data Science Education in Undergraduate Physics: Lessons Learned from a Community of Practice
von: Shah, Karan, et al.
Veröffentlicht: (2024)

Bayesian Inference with Deep Weakly Nonlinear Networks
von: Hanin, Boris, et al.
Veröffentlicht: (2024)

Real-Time Cascade Mitigation in Power Systems Using Influence Graph Improved by Reinforcement Learning
von: Zhou, Kai, et al.
Veröffentlicht: (2025)

Position: Solve Layerwise Linear Models First to Understand Neural Dynamical Phenomena (Neural Collapse, Emergence, Lazy/Rich Regime, and Grokking)
von: Nam, Yoonsoo, et al.
Veröffentlicht: (2025)

Bayesian Hierarchical Models and the Maximum Entropy Principle
von: Brewer, Brendon J.
Veröffentlicht: (2026)

Reliable data clustering with Bayesian community detection
von: Neuman, Magnus, et al.
Veröffentlicht: (2025)

Bayesian MINFLUX localization microscopy
von: Schultze, Steffen, et al.
Veröffentlicht: (2025)

Lorentz-Equivariant Geometric Algebra Transformers for High-Energy Physics
von: Spinner, Jonas, et al.
Veröffentlicht: (2024)