:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Hammad, M. M.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2510.23449
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Artificial Neural Network and Deep Learning: Fundamentals and Theory
von: Hammad, M. M.
Veröffentlicht: (2024)

Comprehensive Survey of Complex-Valued Neural Networks: Insights into Backpropagation and Activation Functions
von: Hammad, M. M.
Veröffentlicht: (2024)

Conditional Uncertainty Quantification for Tensorized Topological Neural Networks
von: Wu, Yujia, et al.
Veröffentlicht: (2024)

Variational (Energy-Based) Spectral Learning: A Machine Learning Framework for Solving Partial Differential Equations
von: Hammad, M. M.
Veröffentlicht: (2026)

Uncertainty Quantification in the Tsetlin Machine
von: Helin, Runar, et al.
Veröffentlicht: (2025)

Uncertainty Quantification in CNN Through the Bootstrap of Convex Neural Networks
von: Du, Hongfei, et al.
Veröffentlicht: (2026)

Variational Graph Neural Networks for Uncertainty Quantification in Inverse Problems
von: Gonzalez, David, et al.
Veröffentlicht: (2026)

Posterior Uncertainty Quantification in Neural Networks using Data Augmentation
von: Wu, Luhuan, et al.
Veröffentlicht: (2024)

Uncertainty Quantification in Graph Neural Networks with Shallow Ensembles
von: Vinchurkar, Tirtha, et al.
Veröffentlicht: (2025)

Quantile-Free Uncertainty Quantification in Graph Neural Networks
von: park, Soyoung, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Gradient-based Explanations in Neural Networks
von: Mulye, Mihir, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Physics-Informed Neural Networks with Extended Fiducial Inference
von: Shih, Frank, et al.
Veröffentlicht: (2025)

Uncertainty Quantification With Noise Injection in Neural Networks: A Bayesian Perspective
von: Yuan, Xueqiong, et al.
Veröffentlicht: (2025)

Probabilistic Skip Connections for Deterministic Uncertainty Quantification in Deep Neural Networks
von: Jimenez, Felix, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Quantum Computing
von: Bennink, Ryan, et al.
Veröffentlicht: (2026)

Epistemic Uncertainty Quantification For Pre-trained Neural Network
von: Wang, Hanjing, et al.
Veröffentlicht: (2024)

Physics-Informed Machine Learning for Transformer Condition Monitoring -- Part II: Physics-Informed Neural Networks and Uncertainty Quantification
von: Aizpurua, Jose I.
Veröffentlicht: (2025)

Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks
von: Wang, Qingyi, et al.
Veröffentlicht: (2023)

Uncertainty Quantification with the Empirical Neural Tangent Kernel
von: Wilson, Joseph, et al.
Veröffentlicht: (2025)

Quantification of Uncertainties in Probabilistic Deep Neural Network by Implementing Boosting of Variational Inference
von: Bera, Pavia, et al.
Veröffentlicht: (2025)

Variational Quantum Physics-Informed Neural Networks for Hydrological PDE-Constrained Learning with Inherent Uncertainty Quantification
von: Hewage, Prasad Nimantha Madusanka Ukwatta, et al.
Veröffentlicht: (2026)

Uncertainty Quantification in Probabilistic Machine Learning Models: Theory, Methods, and Insights
von: Ajirak, Marzieh, et al.
Veröffentlicht: (2025)

Microstructure-based Variational Neural Networks for Robust Uncertainty Quantification in Materials Digital Twins
von: Robertson, Andreas E., et al.
Veröffentlicht: (2025)

UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction
von: Yu, Dahai, et al.
Veröffentlicht: (2025)

Condensed Stein Variational Gradient Descent for Uncertainty Quantification of Neural Networks
von: Padmanabha, Govinda Anantha, et al.
Veröffentlicht: (2024)

Conformalized Neural Networks for Federated Uncertainty Quantification under Dual Heterogeneity
von: Nguyen, Quang-Huy, et al.
Veröffentlicht: (2026)

Analysis of Diagnostics (Part I): Prevalence, Uncertainty Quantification, and Machine Learning
von: Patrone, Paul N., et al.
Veröffentlicht: (2023)

Neural Conditional Probability for Uncertainty Quantification
von: Kostic, Vladimir R., et al.
Veröffentlicht: (2024)

Activation-Space Uncertainty Quantification for Pretrained Networks
von: Bergna, Richard, et al.
Veröffentlicht: (2026)

Old Rules in a New Game: Mapping Uncertainty Quantification to Quantum Machine Learning
von: Wendlinger, Maximilian, et al.
Veröffentlicht: (2025)

Deep Learning Activation Functions: Fixed-Shape, Parametric, Adaptive, Stochastic, Miscellaneous, Non-Standard, Ensemble
von: Hammad, M. M.
Veröffentlicht: (2024)

A Conformal Prediction Framework for Uncertainty Quantification in Physics-Informed Neural Networks
von: Yu, Yifan, et al.
Veröffentlicht: (2025)

Uncertainty Quantification of Graph Convolution Neural Network Models of Evolving Processes
von: Hauth, Jeremiah, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Machine Learning in Healthcare: A Survey
von: López, L. Julián Lechuga, et al.
Veröffentlicht: (2025)

Multi-fidelity Machine Learning for Uncertainty Quantification and Optimization
von: Zhang, Ruda, et al.
Veröffentlicht: (2024)

NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification
von: Monod, Mélodie, et al.
Veröffentlicht: (2025)

MCMC Informed Neural Emulators for Uncertainty Quantification in Dynamical Systems
von: Haario, Heikki, et al.
Veröffentlicht: (2026)

On the Need to Align Intent and Implementation in Uncertainty Quantification for Machine Learning
von: Trivedi, Shubhendu, et al.
Veröffentlicht: (2025)

Probabilistic Consistency in Machine Learning and Its Connection to Uncertainty Quantification
von: Patrone, Paul, et al.
Veröffentlicht: (2025)

Conformalized-KANs: Uncertainty Quantification with Coverage Guarantees for Kolmogorov-Arnold Networks (KANs) in Scientific Machine Learning
von: Mollaali, Amirhossein, et al.
Veröffentlicht: (2025)