Buchumschlag

Laplace Learning in Wasserstein Space

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Oliver, Mary Chriselda Antony, Roberts, Michael, Schönlieb, Carola-Bibiane, Thorpe, Matthew
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

Conic Formulations of Transport Metrics for Unbalanced Measure Networks and Hypernetworks
von: Oliver, Mary Chriselda Antony, et al.
Veröffentlicht: (2025)

TANGO: Graph Neural Dynamics via Learned Energy and Tangential Flows
von: Eliasof, Moshe, et al.
Veröffentlicht: (2025)

Expressivity of Bi-Lipschitz Normalizing Flows: A Score-Based Diffusion Perspective
von: Iske, Meira, et al.
Veröffentlicht: (2026)

Data-driven approaches to inverse problems
von: Schönlieb, Carola-Bibiane, et al.
Veröffentlicht: (2025)

Continuous Learned Primal Dual
von: Runkel, Christina, et al.
Veröffentlicht: (2024)

Inverse Evolution Data Augmentation for Neural PDE Solvers
von: Liu, Chaoyu, et al.
Veröffentlicht: (2025)

Generative Unordered Flow for Set-Structured Data Generation
von: Li, Yangming, et al.
Veröffentlicht: (2025)

Approximation Theory for Lipschitz Continuous Transformers
von: Furuya, Takashi, et al.
Veröffentlicht: (2026)

Bellman Diffusion: Generative Modeling as Learning a Linear Operator in the Distribution Space
von: Li, Yangming, et al.
Veröffentlicht: (2024)

Deep Network Trainability via Persistent Subspace Orthogonality
von: Massucco, Alex, et al.
Veröffentlicht: (2025)

Learning to Orchestrate Agents under Uncertainty
von: Oliver, Mary Chriselda Antony, et al.
Veröffentlicht: (2026)

Enhanced Denoising and Convergent Regularisation Using Tweedie Scaling
von: Khelifa, Naïl, et al.
Veröffentlicht: (2025)

Approximation theory for 1-Lipschitz ResNets
von: Murari, Davide, et al.
Veröffentlicht: (2025)

Stochastic Primal-Dual Three Operator Splitting Algorithm with Extension to Equivariant Regularization-by-Denoising
von: Tang, Junqi, et al.
Veröffentlicht: (2022)

Message-Passing State-Space Models: Improving Graph Learning with Modern Sequence Modeling
von: Ceni, Andrea, et al.
Veröffentlicht: (2025)

Learning Regularization for Graph Inverse Problems
von: Eliasof, Moshe, et al.
Veröffentlicht: (2024)

On The Temporal Domain of Differential Equation Inspired Graph Neural Networks
von: Eliasof, Moshe, et al.
Veröffentlicht: (2024)

Bridging Input Feature Spaces Towards Graph Foundation Models
von: Eliasof, Moshe, et al.
Veröffentlicht: (2026)

Christoffel-DPS: Optimal sensor placement in diffusion posterior sampling for arbitrary distributions
von: Rowbottom, James, et al.
Veröffentlicht: (2026)

GRANOLA: Adaptive Normalization for Graph Neural Networks
von: Eliasof, Moshe, et al.
Veröffentlicht: (2024)

Score-based Pullback Riemannian Geometry: Extracting the Data Manifold Geometry using Anisotropic Flows
von: Diepeveen, Willem, et al.
Veröffentlicht: (2024)

Resilient Graph Neural Networks: A Coupled Dynamical Systems Approach
von: Eliasof, Moshe, et al.
Veröffentlicht: (2023)

Inverse Evolution Layers: Physics-informed Regularizers for Deep Neural Networks
von: Liu, Chaoyu, et al.
Veröffentlicht: (2023)

GRIFDIR: Graph Resolution-Invariant FEM Diffusion Models in Function Spaces over Irregular Domains
von: Rowbottom, James, et al.
Veröffentlicht: (2026)

Unsupervised Learning of the Total Variation Flow
von: Grossmann, Tamara G., et al.
Veröffentlicht: (2022)

Adaptive Correction for Ensuring Conservation Laws in Neural Operators
von: Liu, Chaoyu, et al.
Veröffentlicht: (2025)

On the Effectiveness of Random Weights in Graph Neural Networks
von: Bui, Thu, et al.
Veröffentlicht: (2025)

On Oversquashing in Graph Neural Networks Through the Lens of Dynamical Systems
von: Gravina, Alessio, et al.
Veröffentlicht: (2024)

Towards Improved Sentence Representations using Token Graphs
von: Mantri, Krishna Sri Ipsit, et al.
Veröffentlicht: (2026)

Multi-Headed Transformer Architectures as Time-dependent Wasserstein Gradient Flows
von: Massucco, Alex, et al.
Veröffentlicht: (2026)

SpectraKAN: Conditioning Spectral Operators
von: Cheng, Chun-Wun, et al.
Veröffentlicht: (2026)

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

Trajectory Stitching for Solving Inverse Problems with Flow-Based Models
von: Denker, Alexander, et al.
Veröffentlicht: (2026)

Large Data Limits of Laplace Learning for Gaussian Measure Data in Infinite Dimensions
von: Zhong, Zhengang, et al.
Veröffentlicht: (2026)

Training Data Reconstruction: Privacy due to Uncertainty?
von: Runkel, Christina, et al.
Veröffentlicht: (2024)

Weakly Convex Regularisers for Inverse Problems: Convergence of Critical Points and Primal-Dual Optimisation
von: Shumaylov, Zakhar, et al.
Veröffentlicht: (2024)

FLASH: Flexible Learning of Adaptive Sampling from History in Temporal Graph Neural Networks
von: Feldman, Or, et al.
Veröffentlicht: (2025)

Multi-Level Monte Carlo Training of Neural Operators
von: Rowbottom, James, et al.
Veröffentlicht: (2025)

Smooth Model Compression without Fine-Tuning
von: Runkel, Christina, et al.
Veröffentlicht: (2025)

Learned denoising with simulated and experimental low-dose CT data
von: Kiss, Maximilian B., et al.
Veröffentlicht: (2024)