Buchumschlag

Unlearning Noise in PINNs: A Selective Pruning Framework for PDE Inverse Problems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Yongsheng, Chen, Yong, Guo, Wei, Zhong, Xinghui
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Reduced-order modeling of Hamiltonian dynamics based on symplectic neural networks
von: Chen, Yongsheng, et al.
Veröffentlicht: (2025)

Neural PDE Solvers with Physics Constraints: A Comparative Study of PINNs, DRM, and WANs
von: Chen, Jiakang
Veröffentlicht: (2025)

PINNs in PDE Constrained Optimal Control Problems: Direct vs Indirect Methods
von: Zhang, Zhen, et al.
Veröffentlicht: (2026)

Noisy PDE Training Requires Bigger PINNs
von: Andre-Sloan, Sebastien, et al.
Veröffentlicht: (2025)

Graph Neural Regularizers for PDE Inverse Problems
von: Lauga, William, et al.
Veröffentlicht: (2025)

The ADMM-PINNs Algorithmic Framework for Nonsmooth PDE-Constrained Optimization: A Deep Learning Approach
von: Song, Yongcun, et al.
Veröffentlicht: (2023)

GenPANIS: A Latent-Variable Generative Framework for Forward and Inverse PDE Problems in Multiphase Media
von: Chatzopoulos, Matthaios, et al.
Veröffentlicht: (2026)

Upcycling Noise for Federated Unlearning
von: Chen, Jianan, et al.
Veröffentlicht: (2024)

Adaptive Interface-PINNs (AdaI-PINNs): An Efficient Physics-informed Neural Networks Framework for Interface Problems
von: Roy, Sumanta, et al.
Veröffentlicht: (2024)

Bayesian Physics-Informed Extreme Learning Machine for Forward and Inverse PDE Problems with Noisy Data
von: Liu, Xu, et al.
Veröffentlicht: (2022)

Dissecting Language Models: Machine Unlearning via Selective Pruning
von: Pochinkov, Nicholas, et al.
Veröffentlicht: (2024)

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

Sky of Unlearning (SoUL): Rewiring Federated Machine Unlearning via Selective Pruning
von: Zaman, Md Mahabub Uz, et al.
Veröffentlicht: (2025)

Unlearning through Knowledge Overwriting: Reversible Federated Unlearning via Selective Sparse Adapter
von: Zhong, Zhengyi, et al.
Veröffentlicht: (2025)

IP-Basis PINNs: Efficient Multi-Query Inverse Parameter Estimation
von: Manor, Shalev, et al.
Veröffentlicht: (2025)

Randomness and signal propagation in physics-informed neural networks (PINNs): A neural PDE perspective
von: Tucny, Jean-Michel, et al.
Veröffentlicht: (2025)

Certified machine learning: Rigorous a posteriori error bounds for PDE defined PINNs
von: Hillebrecht, Birgit, et al.
Veröffentlicht: (2022)

Scaling Laws and Pathologies of Single-Layer PINNs: Network Width and PDE Nonlinearity
von: Chaudhry, Faris
Veröffentlicht: (2026)

Machine Unlearning for Robust DNNs: Attribution-Guided Partitioning and Neuron Pruning in Noisy Environments
von: Jin, Deliang, et al.
Veröffentlicht: (2025)

Understanding the Difficulty of Solving Cauchy Problems with PINNs
von: Wang, Tao, et al.
Veröffentlicht: (2024)

Hypernetwork-Conditioned WENO5 Conservative-Form CNNs for One-Dimensional Conservation Laws
von: Chen, Yongsheng, et al.
Veröffentlicht: (2026)

Conservative semi-lagrangian finite difference scheme for transport simulations using graph neural networks
von: Chen, Yongsheng, et al.
Veröffentlicht: (2024)

Curriculum-Learned Vanishing Stacked Residual PINNs for Hyperbolic PDE State Reconstruction
von: Eshkofti, Katayoun, et al.
Veröffentlicht: (2026)

Feature-Selective Representation Misdirection for Machine Unlearning
von: Chen, Taozhao, et al.
Veröffentlicht: (2025)

Investigating the Ability of PINNs To Solve Burgers' PDE Near Finite-Time BlowUp
von: Kumar, Dibyakanti, et al.
Veröffentlicht: (2023)

DualOptim+: Bridging Shared and Decoupled Optimizer States for Better Machine Unlearning in Large Language Models
von: Zhong, Xuyang, et al.
Veröffentlicht: (2026)

Orthogonal Soft Pruning for Efficient Class Unlearning
von: Gong, Qinghui, et al.
Veröffentlicht: (2025)

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

KD-PINN: Knowledge-Distilled PINNs for ultra-low-latency real-time neural PDE solvers
von: Bounja, Karim, et al.
Veröffentlicht: (2025)

Bayesian Inference for PDE-based Inverse Problems using the Optimization of a Discrete Loss
von: Amoudruz, Lucas, et al.
Veröffentlicht: (2025)

A Deep Neural Network Framework for Solving Forward and Inverse Problems in Delay Differential Equations
von: Wang, Housen, et al.
Veröffentlicht: (2024)

PINNs Algorithmic Framework for Simulation of Nonlinear Burgers' Type Models
von: Singh, Ajeet, et al.
Veröffentlicht: (2025)

PINNACLE: An Open-Source Computational Framework for Classical and Quantum PINNs
von: Pisnoy, Shimon, et al.
Veröffentlicht: (2026)

Less Noise, Same Certificate: Retain Sensitivity for Unlearning
von: Heinzler, Carolin, et al.
Veröffentlicht: (2026)

Data Selection for Transfer Unlearning
von: Sepahvand, Nazanin Mohammadi, et al.
Veröffentlicht: (2024)

Goldfish: An Efficient Federated Unlearning Framework
von: Wang, Houzhe, et al.
Veröffentlicht: (2024)

FedUP: Efficient Pruning-based Federated Unlearning for Model Poisoning Attacks
von: Romandini, Nicolò, et al.
Veröffentlicht: (2025)

GraIP: A Benchmarking Framework For Neural Graph Inverse Problems
von: Cantürk, Semih, et al.
Veröffentlicht: (2026)

Unlearning Backdoor Attacks through Gradient-Based Model Pruning
von: Dunnett, Kealan, et al.
Veröffentlicht: (2024)

The Right to be Forgotten in Pruning: Unveil Machine Unlearning on Sparse Models
von: Xiao, Yang, et al.
Veröffentlicht: (2025)