Buchumschlag

Unsupervised Physics-Informed Operator Learning through Multi-Stage Curriculum Training

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Marcandelli, Paolo, Mathur, Natansh, Markidis, Stefano, Siena, Martina, Mariani, Stefano
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Partitioned Hybrid Quantum Fourier Neural Operators for Scientific Quantum Machine Learning
von: Marcandelli, Paolo, et al.
Veröffentlicht: (2025)

A Continuous-Variable Quantum Fourier Layer: Applications to Filtering and PDE Solving
von: Marcandelli, Paolo, et al.
Veröffentlicht: (2026)

Training-efficient density quantum machine learning
von: Coyle, Brian, et al.
Veröffentlicht: (2024)

A Roadmap Towards Improving Multi-Agent Reinforcement Learning With Causal Discovery And Inference
von: Briglia, Giovanni, et al.
Veröffentlicht: (2025)

Making Room for AI: Multi-GPU Molecular Dynamics with Deep Potentials in GROMACS
von: Pennati, Luca, et al.
Veröffentlicht: (2026)

CLUTR: Curriculum Learning via Unsupervised Task Representation Learning
von: Azad, Abdus Salam, et al.
Veröffentlicht: (2022)

Bayesian Federated Learning for Continual Training
von: Milasheuski, Usevalad, et al.
Veröffentlicht: (2025)

Transformer-Based Approach to Optimal Sensor Placement for Structural Health Monitoring of Probe Cards
von: Bejani, Mehdi, et al.
Veröffentlicht: (2025)

Exploring Expert Specialization through Unsupervised Training in Sparse Mixture of Experts
von: Nikolic, Strahinja, et al.
Veröffentlicht: (2025)

Entropy-Driven Curriculum for Multi-Task Training in Human Mobility Prediction
von: Fang, Tianye, et al.
Veröffentlicht: (2025)

Sobolev Training for Operator Learning
von: Cho, Namkyeong, et al.
Veröffentlicht: (2024)

Training Large Language Models for Reasoning through Reverse Curriculum Reinforcement Learning
von: Xi, Zhiheng, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Network Surrogate Models for River Stage Prediction
von: Zoch, Maximilian, et al.
Veröffentlicht: (2025)

GraphDancer: Training LLMs to Explore and Reason over Graphs via Two-Stage Curriculum Post-Training
von: Bai, Yuyang, et al.
Veröffentlicht: (2026)

Multi-Objective Loss Balancing for Physics-Informed Deep Learning
von: Bischof, Rafael, et al.
Veröffentlicht: (2021)

SequenceMatch: Imitation Learning for Autoregressive Sequence Modelling with Backtracking
von: Cundy, Chris, et al.
Veröffentlicht: (2023)

Enhancing Imbalanced Node Classification via Curriculum-Guided Feature Learning and Three-Stage Attention Network
von: Fofanah, Abdul Joseph, et al.
Veröffentlicht: (2026)

Divided Attention: Unsupervised Multi-Object Discovery with Contextually Separated Slots
von: Lao, Dong, et al.
Veröffentlicht: (2023)

DLGNet: Hyperedge Classification through Directed Line Graphs for Chemical Reactions
von: Fiorini, Stefano, et al.
Veröffentlicht: (2024)

Towards Principled Unsupervised Multi-Agent Reinforcement Learning
von: Zamboni, Riccardo, et al.
Veröffentlicht: (2025)

Efficient Mitigation of Bus Bunching through Setter-Based Curriculum Learning
von: Shah, Avidan, et al.
Veröffentlicht: (2024)

Identifiable Causal Representation Learning: Unsupervised, Multi-View, and Multi-Environment
von: von Kügelgen, Julius
Veröffentlicht: (2024)

Personalized Sleep Staging Leveraging Source-free Unsupervised Domain Adaptation
von: Zhou, Yangxuan, et al.
Veröffentlicht: (2024)

Boosting Reinforcement Learning in 3D Visuospatial Tasks Through Human-Informed Curriculum Design
von: Solbach, Markus D., et al.
Veröffentlicht: (2025)

Enhanced Water Leak Detection with Convolutional Neural Networks and One-Class Support Vector Machine
von: Leonzio, Daniele Ugo, et al.
Veröffentlicht: (2025)

Revisiting Plasticity in Visual Reinforcement Learning: Data, Modules and Training Stages
von: Ma, Guozheng, et al.
Veröffentlicht: (2023)

Lightweight Geometric Adaptation for Training Physics-Informed Neural Networks
von: An, Kang, et al.
Veröffentlicht: (2026)

Improved Training of Physics-Informed Neural Networks with Model Ensembles
von: Haitsiukevich, Katsiaryna, et al.
Veröffentlicht: (2022)

Curriculum Abductive Learning
von: Hu, Wen-Chao, et al.
Veröffentlicht: (2025)

SMAT: Staged Multi-Agent Training for Co-Adaptive Exoskeleton Control
von: Yuan, Yifei, et al.
Veröffentlicht: (2026)

Training Dynamics of the Cooldown Stage in Warmup-Stable-Decay Learning Rate Scheduler
von: Dremov, Aleksandr, et al.
Veröffentlicht: (2025)

Dealing with Uncertainty in Contextual Anomaly Detection
von: Bindini, Luca, et al.
Veröffentlicht: (2025)

Shortcuts and Identifiability in Concept-based Models from a Neuro-Symbolic Lens
von: Bortolotti, Samuele, et al.
Veröffentlicht: (2025)

PIMRL: Physics-Informed Multi-Scale Recurrent Learning for Burst-Sampled Spatiotemporal Dynamics
von: Wan, Han, et al.
Veröffentlicht: (2025)

Pure and Physics-Guided Deep Learning Solutions for Spatio-Temporal Groundwater Level Prediction at Arbitrary Locations
von: Salis, Matteo, et al.
Veröffentlicht: (2026)

Train Long, Think Short: Curriculum Learning for Efficient Reasoning
von: Hammoud, Hasan Abed Al Kader, et al.
Veröffentlicht: (2025)

MADiff: Offline Multi-agent Learning with Diffusion Models
von: Zhu, Zhengbang, et al.
Veröffentlicht: (2023)

RxnNano:Training Compact LLMs for Chemical Reaction and Retrosynthesis Prediction via Hierarchical Curriculum Learning
von: Li, Ran, et al.
Veröffentlicht: (2026)

SPaCe: Unlocking Sample-Efficient Large Language Models Training With Self-Pace Curriculum Learning
von: Do, Dai, et al.
Veröffentlicht: (2025)

Train with Perturbation, Infer after Merging: A Two-Stage Framework for Continual Learning
von: Qiu, Haomiao, et al.
Veröffentlicht: (2025)