Buchumschlag

Matrix-Free Least Squares Solvers: Values, Gradients, and What to Do With Them

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Roy, Hrittik, Hauberg, Søren, Krämer, Nicholas
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Gradients of Functions of Large Matrices
von: Krämer, Nicholas, et al.
Veröffentlicht: (2024)

Adaptive Probabilistic ODE Solvers Without Adaptive Memory Requirements
von: Krämer, Nicholas
Veröffentlicht: (2024)

Maximal Volume Matrix Cross Approximation for Image Compression and Least Squares Solution
von: Allen, Kenneth, et al.
Veröffentlicht: (2023)

Towards Learning High-Precision Least Squares Algorithms with Sequence Models
von: Liu, Jerry, et al.
Veröffentlicht: (2025)

Bayes without Underfitting: Fully Correlated Deep Learning Posteriors via Alternating Projections
von: Miani, Marco, et al.
Veröffentlicht: (2024)

Sketch 'n Solve: An Efficient Python Package for Large-Scale Least Squares Using Randomized Numerical Linear Algebra
von: Lavaee, Alex
Veröffentlicht: (2024)

Learning Sparse Approximate Inverse Preconditioners for Conjugate Gradient Solvers on GPUs
von: Yang, Zherui, et al.
Veröffentlicht: (2025)

Accelerating Legacy Numerical Solvers by Non-intrusive Gradient-based Meta-solving
von: Arisaka, Sohei, et al.
Veröffentlicht: (2024)

Distributed Least Squares in Small Space via Sketching and Bias Reduction
von: Garg, Sachin, et al.
Veröffentlicht: (2024)

A tutorial on automatic differentiation with complex numbers
von: Krämer, Nicholas
Veröffentlicht: (2024)

Accelerating Conjugate Gradient Solvers for Homogenization Problems with Unitary Neural Operators
von: Herb, Julius, et al.
Veröffentlicht: (2025)

An Optimal Least-Square Solver For Scaled Partial-Isometric Linear Systems
von: Kar, Suvendu, et al.
Veröffentlicht: (2025)

Learning from Linear Algebra: A Graph Neural Network Approach to Preconditioner Design for Conjugate Gradient Solvers
von: Trifonov, Vladislav, et al.
Veröffentlicht: (2024)

Machine Learning Based Optimization Workflow for Tuning Numerical Settings of Differential Equation Solvers for Boundary Value Problems
von: Victor, Viny Saajan, et al.
Veröffentlicht: (2024)

Numerically Robust Fixed-Point Smoothing Without State Augmentation
von: Krämer, Nicholas
Veröffentlicht: (2024)

Probabilistic Analysis of Least Squares, Orthogonal Projection, and QR Factorization Algorithms Subject to Gaussian Noise
von: Lotfi, Ali, et al.
Veröffentlicht: (2024)

Numerically robust Gaussian state estimation with singular observation noise
von: Krämer, Nicholas, et al.
Veröffentlicht: (2025)

Sketched Lanczos uncertainty score: a low-memory summary of the Fisher information
von: Miani, Marco, et al.
Veröffentlicht: (2024)

Hierarchical Alternating Least Squares Methods for Quaternion Nonnegative Matrix Factorizations
von: Pan, Junjun
Veröffentlicht: (2024)

Better Neural PDE Solvers Through Data-Free Mesh Movers
von: Hu, Peiyan, et al.
Veröffentlicht: (2023)

SciML Agents: Write the Solver, Not the Solution
von: Gaonkar, Saarth, et al.
Veröffentlicht: (2025)

Parallel-in-Time Probabilistic Numerical ODE Solvers
von: Bosch, Nathanael, et al.
Veröffentlicht: (2023)

Deep Learning-Enhanced Preconditioning for Efficient Conjugate Gradient Solvers in Large-Scale PDE Systems
von: Li, Rui, et al.
Veröffentlicht: (2024)

Affine Tracing: A New Paradigm for Probabilistic Linear Solvers
von: Hegde, Disha, et al.
Veröffentlicht: (2026)

Transolver: A Fast Transformer Solver for PDEs on General Geometries
von: Wu, Haixu, et al.
Veröffentlicht: (2024)

Blending Neural Operators and Relaxation Methods in PDE Numerical Solvers
von: Zhang, Enrui, et al.
Veröffentlicht: (2022)

Hybrid Iterative Solvers with Geometry-Aware Neural Preconditioners for Parametric PDEs
von: Lee, Youngkyu, et al.
Veröffentlicht: (2025)

Physics-Informed Gaussian Process Regression Generalizes Linear PDE Solvers
von: Pförtner, Marvin, et al.
Veröffentlicht: (2022)

Fine-Tune Language Models as Multi-Modal Differential Equation Solvers
von: Yang, Liu, et al.
Veröffentlicht: (2023)

A Riemannian Gradient Descent Method for the Least Squares Inverse Eigenvalue Problem
von: Riley, Alban Bloor, et al.
Veröffentlicht: (2025)

PDE Solvers Should Be Local: Fast, Stable Rollouts with Learned Local Stencils
von: Cheng, Chun-Wun, et al.
Veröffentlicht: (2025)

Propagating Model Uncertainty through Filtering-based Probabilistic Numerical ODE Solvers
von: Yao, Dingling, et al.
Veröffentlicht: (2025)

Flexible and Efficient Probabilistic PDE Solvers through Gaussian Markov Random Fields
von: Weiland, Tim, et al.
Veröffentlicht: (2025)

Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space
von: Yue, Xihang, et al.
Veröffentlicht: (2024)

Quantifying Training Difficulty and Accelerating Convergence in Neural Network-Based PDE Solvers
von: Chen, Chuqi, et al.
Veröffentlicht: (2024)

Supervised and Unsupervised Neural Network Solver for First Order Hyperbolic Nonlinear PDEs
von: Baba, Zakaria, et al.
Veröffentlicht: (2026)

Matrix Decomposition and Applications
von: Lu, Jun
Veröffentlicht: (2022)

Learning Neural PDE Solvers with Convergence Guarantees
von: Hsieh, Jun-Ting, et al.
Veröffentlicht: (2019)

Hybrid Least Squares/Gradient Descent Methods for DeepONets
von: Choi, Jun, et al.
Veröffentlicht: (2025)

Are Deep Learning Based Hybrid PDE Solvers Reliable? Why Training Paradigms and Update Strategies Matter
von: Wu, Yuhan, et al.
Veröffentlicht: (2026)