Buchumschlag

Augmented data and neural networks for robust epidemic forecasting: application to COVID-19 in Italy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dimarco, Giacomo, Ferrarese, Federica, Pareschi, Lorenzo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A data augmentation strategy for deep neural networks with application to epidemic modelling
von: Awais, Muhammad, et al.
Veröffentlicht: (2025)

Structure and asymptotic preserving deep neural surrogates for uncertainty quantification in multiscale kinetic equations
von: Chen, Wei, et al.
Veröffentlicht: (2025)

Robust feedback control of collisional plasma dynamics in presence of uncertainties
von: Albi, Giacomo, et al.
Veröffentlicht: (2025)

Instantaneous control strategies for magnetically confined fusion plasma
von: Albi, Giacomo, et al.
Veröffentlicht: (2024)

Kinetic description of swarming dynamics with topological interaction and transient leaders
von: Albi, Giacomo, et al.
Veröffentlicht: (2023)

A decomposition-based robust training of physics-informed neural networks for nearly incompressible linear elasticity
von: Dick, Josef, et al.
Veröffentlicht: (2025)

Control strategies for magnetized plasma: a polar coordinates framework
von: Ferrarese, Federica
Veröffentlicht: (2025)

Physics-informed neural networks for operator equations with stochastic data
von: Escapil-Inchauspé, Paul, et al.
Veröffentlicht: (2022)

Kinetic based optimization enhanced by genetic dynamics
von: Albi, Giacomo, et al.
Veröffentlicht: (2023)

A model learning framework for inferring the dynamics of transmission rate depending on exogenous variables for epidemic forecasts
von: Ziarelli, Giovanni, et al.
Veröffentlicht: (2024)

Generalizing the SINDy approach with nested neural networks
von: Fiorini, Camilla, et al.
Veröffentlicht: (2024)

Training Hamiltonian neural networks without backpropagation
von: Rahma, Atamert, et al.
Veröffentlicht: (2024)

Gradient-free training of recurrent neural networks
von: Bolager, Erik Lien, et al.
Veröffentlicht: (2024)

Stable neural networks and connections to continuous dynamical systems
von: Ehrhardt, Matthias J., et al.
Veröffentlicht: (2025)

Energy stable neural network for gradient flow equations
von: Wu, Yue, et al.
Veröffentlicht: (2023)

Pseudo-differential-enhanced physics-informed neural networks
von: Gracyk, Andrew
Veröffentlicht: (2026)

Micro-Macro Tensor Neural Surrogates for Uncertainty Quantification in Collisional Plasma
von: Chen, Wei, et al.
Veröffentlicht: (2025)

Localized KBO with genetic dynamics for multi-modal optimization
von: Ferrarese, Federica, et al.
Veröffentlicht: (2024)

Exact and approximate error bounds for physics-informed neural networks
von: Chantada, Augusto T., et al.
Veröffentlicht: (2024)

Pseudo-Hamiltonian neural networks for learning partial differential equations
von: Eidnes, Sølve, et al.
Veröffentlicht: (2023)

Variational Bayesian surrogate modelling with application to robust design optimisation
von: Archbold, Thomas A., et al.
Veröffentlicht: (2024)

Out-of-distributional risk bounds for neural operators with applications to the Helmholtz equation
von: Benitez, J. Antonio Lara, et al.
Veröffentlicht: (2023)

Solving engineering eigenvalue problems with neural networks using the Rayleigh quotient
von: Rowan, Conor, et al.
Veröffentlicht: (2025)

DPG loss functions for learning parameter-to-solution maps by neural networks
von: Castillo, Pablo Cortés, et al.
Veröffentlicht: (2025)

Orthogonal greedy algorithm for linear operator learning with shallow neural network
von: Lin, Ye, et al.
Veröffentlicht: (2025)

A note on the adjoint method for neural ordinary differential equation network
von: Hu, Pipi
Veröffentlicht: (2024)

Two-hidden-layer ReLU neural networks and finite elements
von: Jin, Pengzhan
Veröffentlicht: (2024)

Unified theoretical guarantees for stability, consistency, and convergence in neural PDE solvers from non-IID data to physics-informed networks
von: Katende, Ronald
Veröffentlicht: (2024)

A model-data asymptotic-preserving neural network method based on micro-macro decomposition for gray radiative transfer equations
von: Li, Hongyan, et al.
Veröffentlicht: (2022)

Generating synthetic data for neural operators
von: Hasani, Erisa, et al.
Veröffentlicht: (2024)

Domain decomposition architectures and Gauss-Newton training for physics-informed neural networks
von: Heinlein, Alexander, et al.
Veröffentlicht: (2025)

Macroscopic auxiliary asymptotic preserving neural networks for the linear radiative transfer equations
von: Li, Hongyan, et al.
Veröffentlicht: (2024)

Memorization capacity of deep ReLU neural networks characterized by width and depth
von: Yang, Xin, et al.
Veröffentlicht: (2026)

Certified machine learning: A posteriori error estimation for physics-informed neural networks
von: Hillebrecht, Birgit, et al.
Veröffentlicht: (2022)

Structure-preserving neural networks for the regularized entropy-based closure of the Boltzmann moment system
von: Schotthöfer, Steffen, et al.
Veröffentlicht: (2024)

A shallow physics-informed neural network for solving partial differential equations on surfaces
von: Hu, Wei-Fan, et al.
Veröffentlicht: (2022)

On the optimal approximation of Sobolev and Besov functions using deep ReLU neural networks
von: Yang, Yunfei
Veröffentlicht: (2024)

Learning smooth functions in high dimensions: from sparse polynomials to deep neural networks
von: Adcock, Ben, et al.
Veröffentlicht: (2024)

An extended physics informed neural network for preliminary analysis of parametric optimal control problems
von: Demo, Nicola, et al.
Veröffentlicht: (2021)

Approximation and learning of anisotropic and mixed smooth functions by deep ReLU neural networks
von: Yang, Yunfei, et al.
Veröffentlicht: (2026)