Buchumschlag

Physics-augmented Multi-task Gaussian Process for Modeling Spatiotemporal Dynamics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Xizhuo, Yao, Bing
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Geometry-aware Active Learning of Spatiotemporal Dynamic Systems
von: Zhang, Xizhuo, et al.
Veröffentlicht: (2025)

Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting
von: Wang, Zekai, et al.
Veröffentlicht: (2025)

Weighted Wasserstein Barycenter of Gaussian Processes for exotic Bayesian Optimization tasks
von: Candelieri, Antonio, et al.
Veröffentlicht: (2026)

Real-Time Adaptive Safety-Critical Control with Gaussian Processes in High-Order Uncertain Models
von: Zhang, Yu, et al.
Veröffentlicht: (2024)

Robust Unsupervised Multi-task and Transfer Learning on Gaussian Mixture Models
von: Tian, Ye, et al.
Veröffentlicht: (2022)

Multi-task Neural Diffusion Processes
von: Rawson, Joseph, et al.
Veröffentlicht: (2025)

Learning Spatiotemporal Dynamical Systems from Point Process Observations
von: Iakovlev, Valerii, et al.
Veröffentlicht: (2024)

PIMRL: Physics-Informed Multi-Scale Recurrent Learning for Burst-Sampled Spatiotemporal Dynamics
von: Wan, Han, et al.
Veröffentlicht: (2025)

Multi-material Multi-physics Topology Optimization with Physics-informed Gaussian Process Priors
von: Sun, Xiangyu, et al.
Veröffentlicht: (2026)

Neural Point Process for Learning Spatiotemporal Event Dynamics
von: Zhou, Zihao, et al.
Veröffentlicht: (2021)

PARCv2: Physics-aware Recurrent Convolutional Neural Networks for Spatiotemporal Dynamics Modeling
von: Nguyen, Phong C. H., et al.
Veröffentlicht: (2024)

MAGIC: Multi-task Gaussian process for joint imputation and classification in healthcare time series
von: Ku, Dohyun, et al.
Veröffentlicht: (2025)

Neural Spatiotemporal Point Processes: Trends and Challenges
von: Mukherjee, Sumantrak, et al.
Veröffentlicht: (2025)

EFiGP: Eigen-Fourier Physics-Informed Gaussian Process for Inference of Dynamic Systems
von: Chen, Jianhong, et al.
Veröffentlicht: (2025)

Federated Gaussian Process: Convergence, Automatic Personalization and Multi-fidelity Modeling
von: Yue, Xubo, et al.
Veröffentlicht: (2021)

A Distributed Gaussian Process Model for Multi-Robot Mapping
von: Nabarro, Seth, et al.
Veröffentlicht: (2026)

Scalable Deep Basis Kernel Gaussian Processes
von: Zhu, Yunqin, et al.
Veröffentlicht: (2025)

Federated Dynamic Modeling and Learning for Spatiotemporal Data Forecasting
von: Pham, Thien, et al.
Veröffentlicht: (2025)

Modal Analysis of Spatiotemporal Data via Multivariate Gaussian Process Regression
von: Song, Jiwoo, et al.
Veröffentlicht: (2024)

Multi-Output Robust and Conjugate Gaussian Processes
von: Rooijakkers, Joshua, et al.
Veröffentlicht: (2025)

Hierarchical Physics-Embedded Learning for Prediction and Discovery in Spatiotemporal Dynamical Systems
von: Wang, Xizhe, et al.
Veröffentlicht: (2025)

Dynamic Bayesian Learning for Spatiotemporal Mechanistic Models
von: Banerjee, Sudipto, et al.
Veröffentlicht: (2022)

A Dynamic, Ordinal Gaussian Process Item Response Theoretic Model
von: Chen, Yehu, et al.
Veröffentlicht: (2025)

Modeling Latent Neural Dynamics with Gaussian Process Switching Linear Dynamical Systems
von: Hu, Amber, et al.
Veröffentlicht: (2024)

Preventing Model Collapse in Gaussian Process Latent Variable Models
von: Li, Ying, et al.
Veröffentlicht: (2024)

Exact Inference for Continuous-Time Gaussian Process Dynamics
von: Ensinger, Katharina, et al.
Veröffentlicht: (2023)

Gaussian Process Neural Additive Models
von: Zhang, Wei, et al.
Veröffentlicht: (2024)

Kronecker-Structured Nonparametric Spatiotemporal Point Processes
von: Xu, Zhitong, et al.
Veröffentlicht: (2026)

Multi-Output Gaussian Processes for Graph-Structured Data
von: Nakai-Kasai, Ayano, et al.
Veröffentlicht: (2025)

Transformed Latent Variable Multi-Output Gaussian Processes
von: Jiang, Xiaoyu, et al.
Veröffentlicht: (2026)

PIGPVAE: Physics-Informed Gaussian Process Variational Autoencoders
von: Spitieris, Michail, et al.
Veröffentlicht: (2025)

Compliance Minimization via Physics-Informed Gaussian Processes
von: Sun, Xiangyu, et al.
Veröffentlicht: (2025)

Physics-Embedded Gaussian Process for Traffic State Estimation
von: Chen, Yanlin, et al.
Veröffentlicht: (2025)

Physics-informed Gaussian Processes for Safe Envelope Expansion
von: Harp, D. Isaiah, et al.
Veröffentlicht: (2025)

Physics-Informed Variational State-Space Gaussian Processes
von: Hamelijnck, Oliver, et al.
Veröffentlicht: (2024)

Implicit Neural Differential Model for Spatiotemporal Dynamics
von: Akhare, Deepak, et al.
Veröffentlicht: (2025)

Gradient-Enhanced Partitioned Gaussian Processes for Real-Time Quadrotor Dynamics Modeling
von: Sang, Xinhuan, et al.
Veröffentlicht: (2026)

A Multi-task Large Reasoning Model for Molecular Science
von: Liu, Pengfei, et al.
Veröffentlicht: (2026)

Parameter Efficient Multi-task Model Fusion with Partial Linearization
von: Tang, Anke, et al.
Veröffentlicht: (2023)

EnECG: Efficient Ensemble Learning for Electrocardiogram Multi-task Foundation Model
von: Xu, Yuhao, et al.
Veröffentlicht: (2025)