Buchumschlag

Hankel Singular Value Regularization for Highly Compressible State Space Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schwerdtner, Paul, Berman, Jules, Peherstorfer, Benjamin
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Dynamical Systems
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Randomized time stepping of nonlinearly parametrized solutions of evolution problems
von: Dong, Yijun, et al.
Veröffentlicht: (2025)

CoLoRA: Continuous low-rank adaptation for reduced implicit neural modeling of parameterized partial differential equations
von: Berman, Jules, et al.
Veröffentlicht: (2024)

Operator Inference Aware Quadratic Manifolds with Isotropic Reduced Coordinates for Nonintrusive Model Reduction
von: Schwerdtner, Paul, et al.
Veröffentlicht: (2025)

Empirical sparse regression on quadratic manifolds
von: Schwerdtner, Paul, et al.
Veröffentlicht: (2024)

Theoretical Foundations of Deep Selective State-Space Models
von: Cirone, Nicola Muca, et al.
Veröffentlicht: (2024)

Parametric model reduction of mean-field and stochastic systems via higher-order action matching
von: Berman, Jules, et al.
Veröffentlicht: (2024)

Leveraging Gauge Freedom for Learning Non-Gradient Population Dynamics of Stochastic Systems
von: Berman, Jules, et al.
Veröffentlicht: (2026)

DICE: Discrete inverse continuity equation for learning population dynamics
von: Blickhan, Tobias, et al.
Veröffentlicht: (2025)

Neuronal Temporal Filters as Normal Mode Extractors
von: Golkar, Siavash, et al.
Veröffentlicht: (2024)

S7: Selective and Simplified State Space Layers for Sequence Modeling
von: Soydan, Taylan, et al.
Veröffentlicht: (2024)

Memorization and Regularization in Generative Diffusion Models
von: Baptista, Ricardo, et al.
Veröffentlicht: (2025)

Learning Beyond Experience: Generalizing to Unseen State Space with Reservoir Computing
von: Norton, Declan A., et al.
Veröffentlicht: (2025)

Compression of the Koopman matrix for nonlinear physical models via hierarchical clustering
von: Nishikata, Tomoya, et al.
Veröffentlicht: (2024)

At the Intersection of Deep Sequential Model Framework and State-space Model Framework: Study on Option Pricing
von: Ding, Ziyang, et al.
Veröffentlicht: (2020)

Controller Design for Structured State-space Models via Contraction Theory
von: Zakwan, Muhammad, et al.
Veröffentlicht: (2026)

Why and When Deep is Better than Shallow: Implementation-Agnostic State-Transition Model of Deep Learning
von: Sonoda, Sho, et al.
Veröffentlicht: (2025)

Koopman Operator Identification of Model Parameter Trajectories for Temporal Domain Generalization (KOMET)
von: Hoover, Randy C., et al.
Veröffentlicht: (2026)

Tipping Point Forecasting in Non-Stationary Dynamics on Function Spaces
von: Liu-Schiaffini, Miguel, et al.
Veröffentlicht: (2023)

Time-Scale Coupling Between States and Parameters in Recurrent Neural Networks
von: Livi, Lorenzo
Veröffentlicht: (2025)

Regularity and Stability Properties of Selective SSMs with Discontinuous Gating
von: Zubić, Nikola, et al.
Veröffentlicht: (2025)

State-Space NTK Collapse Near Bifurcations
von: Hazelden, James, et al.
Veröffentlicht: (2026)

Greedy construction of quadratic manifolds for nonlinear dimensionality reduction and nonlinear model reduction
von: Schwerdtner, Paul, et al.
Veröffentlicht: (2024)

Self-Supervised Evolution Operator Learning for High-Dimensional Dynamical Systems
von: Turri, Giacomo, et al.
Veröffentlicht: (2025)

Integrating Multimodal Data for Joint Generative Modeling of Complex Dynamics
von: Brenner, Manuel, et al.
Veröffentlicht: (2022)

System stabilization with policy optimization on unstable latent manifolds
von: Werner, Steffen W. R., et al.
Veröffentlicht: (2024)

Augmented Regression Models using Neurochaos Learning
von: Henry, Akhila, et al.
Veröffentlicht: (2025)

Reduced Order Modeling with Shallow Recurrent Decoder Networks
von: Tomasetto, Matteo, et al.
Veröffentlicht: (2025)

Continuous-Time Homeostatic Dynamics for Reentrant Inference Models
von: Chae, Byung Gyu
Veröffentlicht: (2025)

Learning Noise-Robust Stable Koopman Operator for Control with Hankel DMD
von: Sakib, Shahriar Akbar, et al.
Veröffentlicht: (2024)

State Estimation Using Sparse DEIM and Recurrent Neural Networks
von: Farazmand, Mohammad
Veröffentlicht: (2024)

An adaptive data sampling strategy for stabilizing dynamical systems via controller inference
von: Werner, Steffen W. R., et al.
Veröffentlicht: (2025)

A Physics-informed Machine Learning-based Control Method for Nonlinear Dynamic Systems with Highly Noisy Measurements
von: Ma, Mason, et al.
Veröffentlicht: (2023)

Neural Ordinary Differential Equations for Modeling Socio-Economic Dynamics
von: Samota, Sandeep Kumar, et al.
Veröffentlicht: (2026)

Zero-shot Imputation with Foundation Inference Models for Dynamical Systems
von: Seifner, Patrick, et al.
Veröffentlicht: (2024)

Enhancing Neural Training via a Correlated Dynamics Model
von: Brokman, Jonathan, et al.
Veröffentlicht: (2023)

Generative Modeling through Koopman Spectral Analysis: An Operator-Theoretic Perspective
von: Xu, Yuanchao, et al.
Veröffentlicht: (2025)

Deep Recurrent Stochastic Configuration Networks for Modelling Nonlinear Dynamic Systems
von: Dang, Gang, et al.
Veröffentlicht: (2024)

Learning Spatio-Temporal Dynamics via Operator-Valued RKHS and Kernel Koopman Methods
von: Withanachchi, Mahishanka
Veröffentlicht: (2025)

On the Unique Recovery of Transport Maps and Vector Fields from Finite Measure-Valued Data
von: Botvinick-Greenhouse, Jonah, et al.
Veröffentlicht: (2026)

A Training-Free Conditional Diffusion Model for Learning Stochastic Dynamical Systems
von: Liu, Yanfang, et al.
Veröffentlicht: (2024)