Buchumschlag

Quantifying constraint hierarchies in Bayesian PINNs via per-constraint Hessian decomposition

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Landgren, Filip
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization
von: Fu, Tianfan, et al.
Veröffentlicht: (2020)

Robust low-rank training via approximate orthonormal constraints
von: Savostianova, Dayana, et al.
Veröffentlicht: (2023)

Recovering implicit physics model under real-world constraints
von: Banerjee, Ayan, et al.
Veröffentlicht: (2024)

Actionable and diverse counterfactual explanations incorporating domain knowledge and plausibility constraints
von: Bobek, Szymon, et al.
Veröffentlicht: (2025)

Noisy PDE Training Requires Bigger PINNs
von: Andre-Sloan, Sebastien, et al.
Veröffentlicht: (2025)

MaD Physics: Evaluating information seeking under constraints in physical environments
von: Jain, Moksh, et al.
Veröffentlicht: (2026)

A constraints-based approach to fully interpretable neural networks for detecting learner behaviors
von: Pinto, Juan D., et al.
Veröffentlicht: (2025)

Forecasting time series with constraints
von: Doumèche, Nathan, et al.
Veröffentlicht: (2025)

Structural perspective on constraint-based learning of Markov networks
von: Korhonen, Tuukka, et al.
Veröffentlicht: (2024)

REAct: Rational Exponential Activation for Better Learning and Generalization in PINNs
von: Mishra, Sourav, et al.
Veröffentlicht: (2025)

Hessian-Free Online Certified Unlearning
von: Qiao, Xinbao, et al.
Veröffentlicht: (2024)

Constrained latent state modeling: A unifying perspective on representation learning under competing constraints
von: Quellec, Gwenolé
Veröffentlicht: (2026)

Physics-Guided Transformer (PGT): Physics-Aware Attention Mechanism for PINNs
von: Zeraatkar, Ehsan, et al.
Veröffentlicht: (2026)

Efficient Edge LLMs Deployment via HessianAware Quantization and CPU GPU Collaborative
von: Zhang, Tuo, et al.
Veröffentlicht: (2025)

Second-Order Actor-Critic Methods for Discounted MDPs via Policy Hessian Decomposition
von: Manivannan, Sanjeev, et al.
Veröffentlicht: (2026)

Solving Linear-Gaussian Bayesian Inverse Problems with Decoupled Diffusion Sequential Monte Carlo
von: Kelvinius, Filip Ekström, et al.
Veröffentlicht: (2025)

A Distributed Generative AI Approach for Heterogeneous Multi-Domain Environments under Data Sharing constraints
von: Tawfilis, Youssef, et al.
Veröffentlicht: (2025)

Mask-PINNs: Mitigating Internal Covariate Shift in Physics-Informed Neural Networks
von: Jiang, Feilong, et al.
Veröffentlicht: (2025)

Predictions with limited data: Bayesian (X)PINNs, entanglement surfaces and overconfidence
von: Landgren, Filip, et al.
Veröffentlicht: (2025)

Hard-constraint physics-residual networks enable robust extrapolation for hydrogen crossover prediction in PEM water electrolyzers
von: Kim, Yong-Woon, et al.
Veröffentlicht: (2025)

Guided Safe Shooting: model based reinforcement learning with safety constraints
von: Paolo, Giuseppe, et al.
Veröffentlicht: (2022)

Why Transformers Need Adam: A Hessian Perspective
von: Zhang, Yushun, et al.
Veröffentlicht: (2024)

When and Why Adversarial Training Improves PINNs: A Neural Tangent Kernel Perspective
von: Cao, Yuan-dong, et al.
Veröffentlicht: (2026)

HeRo-Q: A General Framework for Stable Low Bit Quantization via Hessian Conditioning
von: Zhang, Jinhao Zhang Yunquan, et al.
Veröffentlicht: (2026)

Subspace-based Approximate Hessian Method for Zeroth-Order Optimization
von: Kim, Dongyoon, et al.
Veröffentlicht: (2025)

Revisiting Scalable Hessian Diagonal Approximations for Applications in Reinforcement Learning
von: Elsayed, Mohamed, et al.
Veröffentlicht: (2024)

Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification
von: Hartoyo, Agus, et al.
Veröffentlicht: (2024)

Randomness and signal propagation in physics-informed neural networks (PINNs): A neural PDE perspective
von: Tucny, Jean-Michel, et al.
Veröffentlicht: (2025)

Scaling physics-informed hard constraints with mixture-of-experts
von: Chalapathi, Nithin, et al.
Veröffentlicht: (2024)

SwiftPrune: Hessian-Free Weight Pruning for Large Language Models
von: Kang, Yuhan, et al.
Veröffentlicht: (2025)

HEAPr: Hessian-based Efficient Atomic Expert Pruning in Output Space
von: Li, Ke, et al.
Veröffentlicht: (2025)

Hessian Aware Low-Rank Perturbation for Order-Robust Continual Learning
von: Li, Jiaqi, et al.
Veröffentlicht: (2023)

A space-decoupling framework for optimization on bounded-rank matrices with orthogonally invariant constraints
von: Yang, Yan, et al.
Veröffentlicht: (2025)

Deep reinforcement learning-based spacecraft attitude control with pointing keep-out constraint
von: Yang, Juntang, et al.
Veröffentlicht: (2025)

Efficient and provably convergent end-to-end training of deep neural networks with linear constraints
von: Yang, Zonglin, et al.
Veröffentlicht: (2026)

Length independent generalization bounds for deep SSM architectures via Rademacher contraction and stability constraints
von: Rácz, Dániel, et al.
Veröffentlicht: (2024)

SASSHA: Sharpness-aware Adaptive Second-order Optimization with Stable Hessian Approximation
von: Shin, Dahun, et al.
Veröffentlicht: (2025)

Optimistic Gradient Learning with Hessian Corrections for High-Dimensional Black-Box Optimization
von: Kfir, Yedidya, et al.
Veröffentlicht: (2025)

The Artificial Intelligence Ontology: LLM-assisted construction of AI concept hierarchies
von: Joachimiak, Marcin P., et al.
Veröffentlicht: (2024)

Building Trust in PINNs: Error Estimation through Finite Difference Methods
von: Krasowski, Aleksander, et al.
Veröffentlicht: (2026)