Buchumschlag

Learn to Evolve: Self-supervised Neural JKO Operator for Wasserstein Gradient Flow

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Feng, Xue, Wang, Li, Needell, Deanna, Lai, Rongjie
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Numerical Analysis
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Cauchy Random Features for Operator Learning in Sobolev Space
von: Liao, Chunyang, et al.
Veröffentlicht: (2025)

Matrix Completion with Cross-Concentrated Sampling: Bridging Uniform Sampling and CUR Sampling
von: Cai, HanQin, et al.
Veröffentlicht: (2022)

JKO for Landau: a variational particle method for homogeneous Landau equation
von: Huang, Yan, et al.
Veröffentlicht: (2024)

Stochastic gradient descent for streaming linear and rectified linear systems with adversarial corruptions
von: Jeong, Halyun, et al.
Veröffentlicht: (2024)

Curvature Corrected Nonnegative Manifold Data Factorization
von: Chew, Joyce, et al.
Veröffentlicht: (2025)

Understanding In-Context Learning for Nonlinear Regression with Transformers: Attention as Featurizer
von: Hsu, Alexander, et al.
Veröffentlicht: (2026)

Kernel Alignment for Unsupervised Feature Selection via Matrix Factorization
von: Lin, Ziyuan, et al.
Veröffentlicht: (2024)

Data-Driven Model Reduction using WeldNet: Windowed Encoders for Learning Dynamics
von: Dahal, Biraj, et al.
Veröffentlicht: (2025)

Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders
von: Schonsheck, Stefan C., et al.
Veröffentlicht: (2022)

Randomized Kaczmarz Methods with Beyond-Krylov Convergence
von: Dereziński, Michał, et al.
Veröffentlicht: (2025)

Fine-grained Analysis and Faster Algorithms for Iteratively Solving Linear Systems
von: Dereziński, Michał, et al.
Veröffentlicht: (2024)

Quantile-Based Randomized Kaczmarz for Corrupted Tensor Linear Systems
von: Castillo, Alejandra, et al.
Veröffentlicht: (2025)

Manifold Filter-Combine Networks
von: Johnson, David R., et al.
Veröffentlicht: (2023)

Graph-based Semi-supervised Local Clustering with Few Labeled Nodes
von: Shen, Zhaiming, et al.
Veröffentlicht: (2022)

Stochastic Gradient Descent for Incomplete Tensor Linear Systems
von: Ma, Anna, et al.
Veröffentlicht: (2025)

MODNO: Multi Operator Learning With Distributed Neural Operators
von: Zhang, Zecheng
Veröffentlicht: (2024)

Transformers for Learning on Noisy and Task-Level Manifolds: Approximation and Generalization Insights
von: Shen, Zhaiming, et al.
Veröffentlicht: (2025)

Gradient Flow Based Phase-Field Modeling Using Separable Neural Networks
von: Mattey, Revanth, et al.
Veröffentlicht: (2024)

Neural Operator: Learning Maps Between Function Spaces
von: Kovachki, Nikola, et al.
Veröffentlicht: (2021)

Randomized Neural Networks for Partial Differential Equation on Static and Evolving Surfaces
von: Sun, Jingbo, et al.
Veröffentlicht: (2026)

Fourier Neural Operator with Learned Deformations for PDEs on General Geometries
von: Li, Zongyi, et al.
Veröffentlicht: (2022)

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

Randomized Kaczmarz in Adversarial Distributed Setting
von: Huang, Longxiu, et al.
Veröffentlicht: (2023)

Kernel Neural Operators (KNOs) for Scalable, Memory-efficient, Geometrically-flexible Operator Learning
von: Lowery, Matthew, et al.
Veröffentlicht: (2024)

Latent Neural Operator Pretraining for Solving Time-Dependent PDEs
von: Wang, Tian, et al.
Veröffentlicht: (2024)

Latent Neural Operator for Solving Forward and Inverse PDE Problems
von: Wang, Tian, et al.
Veröffentlicht: (2024)

TENG: Time-Evolving Natural Gradient for Solving PDEs With Deep Neural Nets Toward Machine Precision
von: Chen, Zhuo, et al.
Veröffentlicht: (2024)

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

A Discrete Neural Operator with Adaptive Sampling for Surrogate Modeling of Parametric Transient Darcy Flows in Porous Media
von: Chen, Zhenglong, et al.
Veröffentlicht: (2025)

CFO: Learning Continuous-Time PDE Dynamics via Flow-Matched Neural Operators
von: Hou, Xianglong, et al.
Veröffentlicht: (2025)

Continuum Attention for Neural Operators
von: Calvello, Edoardo, et al.
Veröffentlicht: (2024)

Learning High-dimensional Ionic Model Dynamics Using Fourier Neural Operators
von: Pellegrini, Luca, et al.
Veröffentlicht: (2025)

Wasserstein Bounds for generative diffusion models with Gaussian tail targets
von: Wang, Xixian, et al.
Veröffentlicht: (2024)

Deep Parallel Spectral Neural Operators for Solving Partial Differential Equations with Enhanced Low-Frequency Learning Capability
von: Ma, Qinglong, et al.
Veröffentlicht: (2024)

Learning Mesh-Free Discrete Differential Operators with Self-Supervised Graph Neural Networks
von: Starepravo, Lucas Gerken, et al.
Veröffentlicht: (2026)

Component Fourier Neural Operator for Singularly Perturbed Differential Equations
von: Li, Ye, et al.
Veröffentlicht: (2024)

Ensemble learning for Physics Informed Neural Networks: a Gradient Boosting approach
von: Fang, Zhiwei, et al.
Veröffentlicht: (2023)

Accelerating Data Generation for Neural Operators via Krylov Subspace Recycling
von: Wang, Hong, et al.
Veröffentlicht: (2024)

Slicing the Gaussian Mixture Wasserstein Distance
von: Piening, Moritz, et al.
Veröffentlicht: (2025)

In-Context Operator Learning on the Space of Probability Measures
von: Cole, Frank, et al.
Veröffentlicht: (2026)