Buchumschlag

Component-Aware Pruning Framework for Neural Network Controllers via Gradient-Based Importance Estimation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sundaram, Ganesh, Ulmen, Jonas, Görges, Daniel
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enhanced Pruning Strategy for Multi-Component Neural Architectures Using Component-Aware Graph Analysis
von: Sundaram, Ganesh, et al.
Veröffentlicht: (2025)

Application-Specific Component-Aware Structured Pruning of Deep Neural Networks in Control via Soft Coefficient Optimization
von: Sundaram, Ganesh, et al.
Veröffentlicht: (2025)

COMponent-Aware Pruning for Accelerated Control Tasks in Latent Space Models
von: Sundaram, Ganesh, et al.
Veröffentlicht: (2025)

Learning State-Space Models of Dynamic Systems from Arbitrary Data using Joint Embedding Predictive Architectures
von: Ulmen, Jonas, et al.
Veröffentlicht: (2025)

State Derivative Normalization for Continuous-Time Deep Neural Networks
von: Weigand, Jonas, et al.
Veröffentlicht: (2024)

A Latent Space Framework for Modeling Transient Engine Emissions Using Joint Embedding Predictive Architectures
von: Sundaram, Ganesh, et al.
Veröffentlicht: (2026)

FPGA-Based Neural Thrust Controller for UAVs
von: Azem, Sharif, et al.
Veröffentlicht: (2024)

Pontryagin Optimal Control via Neural Networks
von: Gu, Chengyang, et al.
Veröffentlicht: (2022)

Optimisation of Structured Neural Controller Based on Continuous-Time Policy Gradient
von: Cho, Namhoon, et al.
Veröffentlicht: (2022)

Provably-Stable Neural Network-Based Control of Nonlinear Systems
von: Li, Anran, et al.
Veröffentlicht: (2025)

Uncertainty-Aware Predictive Safety Filters for Probabilistic Neural Network Dynamics
von: Frauenknecht, Bernd, et al.
Veröffentlicht: (2026)

Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation
von: Gordon, David C., et al.
Veröffentlicht: (2023)

Neural Network-assisted Interval Reachability for Systems with Control Barrier Function-Based Safe Controllers
von: Ajeyemi, Damola, et al.
Veröffentlicht: (2025)

A Control Theoretic Framework for Adaptive Gradient Optimizers in Machine Learning
von: Chakrabarti, Kushal, et al.
Veröffentlicht: (2022)

Sample-Free Safety Assessment of Neural Network Controllers via Taylor Methods
von: Evans, Adam, et al.
Veröffentlicht: (2026)

Data-Driven Adaptive PID Control Based on Physics-Informed Neural Networks
von: Ito, Junsei, et al.
Veröffentlicht: (2025)

Reinforcement Learning-based Control via Y-wise Affine Neural Networks (YANNs)
von: Braniff, Austin, et al.
Veröffentlicht: (2025)

Universal Approximation Power of Deep Residual Neural Networks via Nonlinear Control Theory
von: Tabuada, Paulo, et al.
Veröffentlicht: (2020)

Forward Invariance in Neural Network Controlled Systems
von: Harapanahalli, Akash, et al.
Veröffentlicht: (2023)

Analytical Verification of Performance of Deep Neural Network Based Time-Synchronized Distribution System State Estimation
von: Azimian, Behrouz, et al.
Veröffentlicht: (2023)

Graph Neural Network-Based Distributed Optimal Control for Linear Networked Systems: An Online Distributed Training Approach
von: Song, Zihao, et al.
Veröffentlicht: (2025)

Safe and Robust Domains of Attraction for Discrete-Time Systems: A Set-Based Characterization and Certifiable Neural Network Estimation
von: Serry, Mohamed, et al.
Veröffentlicht: (2026)

Gradient Flow Equations for Deep Linear Neural Networks: A Survey from a Network Perspective
von: Wendin, Joel, et al.
Veröffentlicht: (2025)

The Silence that Speaks: Neural Estimation via Communication Gaps
von: Aggarwal, Shubham, et al.
Veröffentlicht: (2025)

A Nonlinear Separation Principle via Contraction Theory: Applications to Neural Networks, Control, and Learning
von: Gokhale, Anand, et al.
Veröffentlicht: (2026)

A Physics-Informed Neural Networks-Based Model Predictive Control Framework for $SIR$ Epidemics
von: Zhong, Aiping, et al.
Veröffentlicht: (2025)

Lipschitz-Based Robustness Certification for Recurrent Neural Networks via Convex Relaxation
von: Hamelbeck, Paul, et al.
Veröffentlicht: (2025)

Efficient Interaction-Aware Interval Analysis of Neural Network Feedback Loops
von: Jafarpour, Saber, et al.
Veröffentlicht: (2023)

Dictionary-Learning-Based Data Pruning for System Identification
von: Wang, Tingna, et al.
Veröffentlicht: (2025)

Beyond Prediction: Interval Neural Networks for Uncertainty-Aware System Identification
von: Ferah, Mehmet Ali, et al.
Veröffentlicht: (2026)

Distributed Control of Network Systems in the Space of Stabilizing Graph Neural Network Policies
von: Cao, John, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks for Accelerating Power System State Estimation
von: Falas, Solon, et al.
Veröffentlicht: (2023)

Gradient Estimation and Variance Reduction in Stochastic and Deterministic Models
von: Keane, Ronan
Veröffentlicht: (2024)

PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids
von: Suri, Dhruv, et al.
Veröffentlicht: (2025)

Integrating Lagrangian Neural Networks into the Dyna Framework for Reinforcement Learning
von: Das, Shreya, et al.
Veröffentlicht: (2026)

Neural Network-Based Piecewise Survival Models
von: Holmer, Olov, et al.
Veröffentlicht: (2024)

Runtime Monitoring and Fault Detection for Neural Network-Controlled Systems
von: Lan, Jianglin, et al.
Veröffentlicht: (2024)

Synthesizing Neural Network Controllers with Closed-Loop Dissipativity Guarantees
von: Junnarkar, Neelay, et al.
Veröffentlicht: (2024)

Equivalent and Compact Representations of Neural Network Controllers With Decision Trees
von: Chang, Kevin, et al.
Veröffentlicht: (2023)

ECLipsE: Efficient Compositional Lipschitz Constant Estimation for Deep Neural Networks
von: Xu, Yuezhu, et al.
Veröffentlicht: (2024)