Buchumschlag

Physics-informed neural particle flow for the Bayesian update step

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Csuzdi, Domonkos, Bécsi, Tamás, Törő, Olivér
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

Differentiable Particle Filtering using Optimal Placement Resampling
von: Csuzdi, Domonkos, et al.
Veröffentlicht: (2024)

An integration-free approach for particle flow filtering
von: Csuzdi, Domonkos, et al.
Veröffentlicht: (2026)

A Variational Lagrangian Framework for Log-Homotopy Particle Flow Filters
von: Törő, Olivér, et al.
Veröffentlicht: (2026)

Physics-informed neural networks for hidden boundary detection and flow field reconstruction
von: Zhu, Yongzheng, et al.
Veröffentlicht: (2025)

Physics-informed graph neural networks for flow field estimation in carotid arteries
von: Suk, Julian, et al.
Veröffentlicht: (2024)

Fisher information flow in artificial neural networks
von: Weimar, Maximilian, et al.
Veröffentlicht: (2025)

Dynamic pricing with Bayesian updates from online reviews
von: Correa, José, et al.
Veröffentlicht: (2024)

Can Large Language Models Detect Methodological Flaws? Evidence from Gesture Recognition for UAV-Based Rescue Operation Based on Deep Learning
von: Varga, Domonkos
Veröffentlicht: (2026)

Equation identification for fluid flows via physics-informed neural networks
von: New, Alexander, et al.
Veröffentlicht: (2024)

Repulsive Ensembles for Bayesian Inference in Physics-informed Neural Networks
von: Pilar, Philipp, et al.
Veröffentlicht: (2025)

Physics-informed neural networks modeling for systems with moving immersed boundaries: application to an unsteady flow past a plunging foil
von: Sundar, Rahul, et al.
Veröffentlicht: (2023)

Distributed physics-informed neural networks via domain decomposition for fast flow reconstruction
von: Qian, Yixiao, et al.
Veröffentlicht: (2026)

Learning characteristic parameters and dynamics of centrifugal pumps under multiphase flow using physics-informed neural networks
von: Carvalho, Felipe de Castro Teixeira, et al.
Veröffentlicht: (2023)

Physics-informed waveform inversion using pretrained wavefield neural operators
von: Huang, Xinquan, et al.
Veröffentlicht: (2025)

Physics-informed neural networks for operator equations with stochastic data
von: Escapil-Inchauspé, Paul, et al.
Veröffentlicht: (2022)

Physics-informed reduced order model with conditional neural fields
von: Kim, Minji, et al.
Veröffentlicht: (2024)

One-step learning algorithm selection for classification via convolutional neural networks
von: Maldonado, Sebastian, et al.
Veröffentlicht: (2023)

Battery health prognosis using Physics-informed neural network with Quantum Feature mapping
von: Hossain, Muhammad Imran, et al.
Veröffentlicht: (2026)

A reduced-order derivative-informed neural operator for subsurface fluid-flow
von: Park, Jeongjin, et al.
Veröffentlicht: (2025)

Conjugate Bayesian Two-step Change Point Detection for Hawkes Process
von: Zhang, Zeyue, et al.
Veröffentlicht: (2024)

Bayesian continual learning and forgetting in neural networks
von: Bonnet, Djohan, et al.
Veröffentlicht: (2025)

Physics-informed neural networks to solve inverse problems in unbounded domains
von: Pérez-Bernal, Gregorio, et al.
Veröffentlicht: (2025)

Derivative-informed neural operator acceleration of geometric MCMC for infinite-dimensional Bayesian inverse problems
von: Cao, Lianghao, et al.
Veröffentlicht: (2024)

Normalizing flow neural networks by JKO scheme
von: Xu, Chen, et al.
Veröffentlicht: (2022)

Neural Conjugate Flows: Physics-informed architectures with flow structure
von: Bizzi, Arthur, et al.
Veröffentlicht: (2024)

On Feynman--Kac training of partial Bayesian neural networks
von: Zhao, Zheng, et al.
Veröffentlicht: (2023)

Functional-prior-based approaches to Bayesian PDE-constrained inversion using physics-informed neural networks
von: Agata, Ryoichiro, et al.
Veröffentlicht: (2026)

Improving regional weather forecasts with neural interpolation
von: Jackaman, James, et al.
Veröffentlicht: (2025)

Self-orthogonalizing attractor neural networks emerging from the free energy principle
von: Spisak, Tamas, et al.
Veröffentlicht: (2025)

Physics-informed neural networks for parameter learning of wildfire spreading
von: Vogiatzoglou, Konstantinos, et al.
Veröffentlicht: (2024)

Disentangling impact of capacity, objective, batchsize, estimators, and step-size on flow VI
von: Agrawal, Abhinav, et al.
Veröffentlicht: (2024)

Input-gradient space particle inference for neural network ensembles
von: Trinh, Trung, et al.
Veröffentlicht: (2023)

Visualizing the loss landscapes of physics-informed neural networks
von: Rowan, Conor, et al.
Veröffentlicht: (2026)

Physics-informed neural networks need a physicist to be accurate: the case of mass and heat transport in Fischer-Tropsch catalyst particles
von: Nikolaienko, Tymofii, et al.
Veröffentlicht: (2024)

Benchmarking neural surrogates on realistic spatiotemporal multiphysics flows
von: Mao, Runze, et al.
Veröffentlicht: (2025)

Bayesian neural networks with interpretable priors from Mercer kernels
von: Alberts, Alex, et al.
Veröffentlicht: (2025)

Physics-informed neural networks (PINNs) for numerical model error approximation and superresolution
von: Zhuang, Bozhou, et al.
Veröffentlicht: (2024)

Physics-constrained coupled neural differential equations for one dimensional blood flow modeling
von: Csala, Hunor, et al.
Veröffentlicht: (2024)

Physics-informed neural operator for predictive parametric phase-field modelling
von: Chen, Nanxi, et al.
Veröffentlicht: (2026)

Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors
von: Pata, Joosep, et al.
Veröffentlicht: (2023)