Buchumschlag

Approximation and learning with compositional tensor trains

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Eigel, Martin, Miranda, Charles, Nouy, Anthony, Sommer, David
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Weighted least-squares approximation with determinantal point processes and generalized volume sampling
von: Nouy, Anthony, et al.
Veröffentlicht: (2023)

Multilevel CNNs for Parametric PDEs based on Adaptive Finite Elements
von: Schütte, Janina Enrica, et al.
Veröffentlicht: (2024)

Group-invariant tensor train networks for supervised learning
von: Sprangers, Brent, et al.
Veröffentlicht: (2022)

Functional SDE approximation inspired by a deep operator network architecture
von: Eigel, Martin, et al.
Veröffentlicht: (2024)

Approximation Theory of Tree Tensor Networks: Tensorized Multivariate Functions
von: Ali, Mazen, et al.
Veröffentlicht: (2021)

Approximation Theory of Tree Tensor Networks: Tensorized Univariate Functions -- Part I
von: Ali, Mazen, et al.
Veröffentlicht: (2020)

Approximation Theory of Tree Tensor Networks: Tensorized Univariate Functions -- Part II
von: Ali, Mazen, et al.
Veröffentlicht: (2020)

Geometry-aware training of factorized layers in tensor Tucker format
von: Zangrando, Emanuele, et al.
Veröffentlicht: (2023)

Nonlinear manifold approximation using compositional polynomial networks
von: Bensalah, Antoine, et al.
Veröffentlicht: (2025)

Approximation by non-symmetric networks for cross-domain learning
von: Mhaskar, Hrushikesh
Veröffentlicht: (2023)

Adaptive Multilevel Neural Networks for Parametric PDEs with Error Estimation
von: Schütte, Janina E., et al.
Veröffentlicht: (2024)

Approximation and learning of anisotropic and mixed smooth functions by deep ReLU neural networks
von: Yang, Yunfei, et al.
Veröffentlicht: (2026)

Natural Riemannian gradient for learning functional tensor networks
von: Klug, Nikolas, et al.
Veröffentlicht: (2026)

Surrogate to Poincaré inequalities on manifolds for dimension reduction in nonlinear feature spaces
von: Nouy, Anthony, et al.
Veröffentlicht: (2025)

Natural gradient descent with momentum
von: Nouy, Anthony, et al.
Veröffentlicht: (2026)

What do physics-informed DeepONets learn? Understanding and improving training for scientific computing applications
von: Williams, Emily, et al.
Veröffentlicht: (2024)

A tensor network formalism for neuro-symbolic AI
von: Goessmann, Alex, et al.
Veröffentlicht: (2026)

Variational operator learning: A unified paradigm marrying training neural operators and solving partial differential equations
von: Xu, Tengfei, et al.
Veröffentlicht: (2023)

Approximating Langevin Monte Carlo with ResNet-like Neural Network architectures
von: Miranda, Charles, et al.
Veröffentlicht: (2023)

PTPI-DL-ROMs: pre-trained physics-informed deep learning-based reduced order models for nonlinear parametrized PDEs
von: Brivio, Simone, et al.
Veröffentlicht: (2024)

Approximation properties of neural ODEs
von: De Marinis, Arturo, et al.
Veröffentlicht: (2025)

Multigrade Neural Network Approximation
von: Zhang, Shijun, et al.
Veröffentlicht: (2026)

Approximation in the extended functional tensor train format
von: Strössner, Christoph, et al.
Veröffentlicht: (2022)

Sinusoidal Approximation Theorem for Kolmogorov-Arnold Networks
von: Gleyzer, Sergei, et al.
Veröffentlicht: (2025)

Gradient-free training of recurrent neural networks
von: Bolager, Erik Lien, et al.
Veröffentlicht: (2024)

Expressive Power of Deep Networks on Manifolds: Simultaneous Approximation
von: Zhou, Hanfei, et al.
Veröffentlicht: (2025)

Efficient Differentiable Approximation of Generalized Low-rank Regularization
von: Li, Naiqi, et al.
Veröffentlicht: (2025)

Quantitative Approximation for Neural Operators in Nonlinear Parabolic Equations
von: Furuya, Takashi, et al.
Veröffentlicht: (2024)

Geometric Layer-wise Approximation Rates for Deep Networks
von: Zhang, Shijun, et al.
Veröffentlicht: (2026)

Guaranteed Approximation Bounds for Mixed-Precision Neural Operators
von: Tu, Renbo, et al.
Veröffentlicht: (2023)

Universal Approximation of Operators with Transformers and Neural Integral Operators
von: Zappala, Emanuele, et al.
Veröffentlicht: (2024)

Boosted optimal weighted least-squares
von: Haberstich, Cécile, et al.
Veröffentlicht: (2019)

Approximation Power of Deep Neural Networks: an explanatory mathematical survey
von: Davis, Owen, et al.
Veröffentlicht: (2022)

Why Shallow Networks Struggle to Approximate and Learn High Frequencies
von: Zhang, Shijun, et al.
Veröffentlicht: (2023)

Sequential decoder training for improved latent space dynamics identification
von: Anderson, William, et al.
Veröffentlicht: (2025)

Physics-informed sensor coverage through structure preserving machine learning
von: Shaffer, Benjamin David, et al.
Veröffentlicht: (2025)

On the Dimension-Free Approximation of Deep Neural Networks for Symmetric Korobov Functions
von: Lu, Yulong, et al.
Veröffentlicht: (2025)

Structured Variational $D$-Decomposition for Accurate and Stable Low-Rank Approximation
von: Katende, Ronald
Veröffentlicht: (2025)

Sharp Lower Bounds for Linearized ReLU^k Approximation on the Sphere
von: Mao, Tong, et al.
Veröffentlicht: (2025)

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