Buchumschlag

On the Limits of Interpretable Machine Learning in Quintic Root Classification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thomas, Rohan, Bani-Yaghoub, Majid
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Numerical Analysis Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sparse Identification of Nonlinear Distributed-Delay Dynamics via the Linear Chain Trick
von: Alanazi, Mohammed, et al.
Veröffentlicht: (2026)

Interpretable AI-Assisted Early Reliability Prediction for a Two-Parameter Parallel Root-Finding Scheme
von: Carpentieri, Bruno, et al.
Veröffentlicht: (2026)

Operator Learning at Machine Precision
von: Bacho, Aras, et al.
Veröffentlicht: (2025)

Quantifying Correlations of Machine Learning Models
von: Li, Yuanyuan, et al.
Veröffentlicht: (2025)

Solving PDEs on Unknown Manifolds with Machine Learning
von: Liang, Senwei, et al.
Veröffentlicht: (2021)

A Simple Trigonometric Classification of Quintic Roots
von: Pratiher, Sawon
Veröffentlicht: (2026)

Large Data Limits of Laplace Learning for Gaussian Measure Data in Infinite Dimensions
von: Zhong, Zhengang, et al.
Veröffentlicht: (2026)

Neural Interpretable PDEs: Harmonizing Fourier Insights with Attention for Scalable and Interpretable Physics Discovery
von: Liu, Ning, et al.
Veröffentlicht: (2025)

Machine Learning-Based Nonlinear Nudging for Chaotic Dynamical Systems
von: Oh, Jaemin, et al.
Veröffentlicht: (2025)

Scalable Mechanistic Neural Networks for Differential Equations and Machine Learning
von: Chen, Jiale, et al.
Veröffentlicht: (2024)

FBSJNN: A Theoretically Interpretable and Efficiently Deep Learning method for Solving Partial Integro-Differential Equations
von: Ye, Zaijun, et al.
Veröffentlicht: (2024)

DeltaPhi: Physical States Residual Learning for Neural Operators in Data-Limited PDE Solving
von: Yue, Xihang, et al.
Veröffentlicht: (2024)

Recent and Upcoming Developments in Randomized Numerical Linear Algebra for Machine Learning
von: Dereziński, Michał, et al.
Veröffentlicht: (2024)

Variational (Energy-Based) Spectral Learning: A Machine Learning Framework for Solving Partial Differential Equations
von: Hammad, M. M.
Veröffentlicht: (2026)

Towards Foundation Models for Scientific Machine Learning: Characterizing Scaling and Transfer Behavior
von: Subramanian, Shashank, et al.
Veröffentlicht: (2023)

Weak Form Scientific Machine Learning: Test Function Construction for System Identification
von: Tran, April, et al.
Veröffentlicht: (2025)

An Orthogonal Polynomial Kernel-Based Machine Learning Model for Differential-Algebraic Equations
von: Taheri, Tayebeh, et al.
Veröffentlicht: (2024)

Singularity Formation: Synergy in Theoretical, Numerical and Machine Learning Approaches
von: Wang, Yixuan
Veröffentlicht: (2026)

An Overview on Machine Learning Methods for Partial Differential Equations: from Physics Informed Neural Networks to Deep Operator Learning
von: Gonon, Lukas, et al.
Veröffentlicht: (2024)

Machine Learning Algorithms to Assess Site Closure Time Frames for Soil and Groundwater Contamination
von: Le, Vu-Anh, et al.
Veröffentlicht: (2024)

Escaping Spectral Bias without Backpropagation: Fast Implicit Neural Representations with Extreme Learning Machines
von: Cho, Woojin, et al.
Veröffentlicht: (2026)

A Physics-Informed Machine Learning Approach for Solving Distributed Order Fractional Differential Equations
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Learned Finite Element-based Regularization of the Inverse Problem in Electrocardiographic Imaging
von: Haas, Manuel, et al.
Veröffentlicht: (2026)

Exact Constraint Enforcement in Physics-Informed Extreme Learning Machines using Null-Space Projection Framework
von: Mishra, Rishi, et al.
Veröffentlicht: (2026)

Machine Learning Based Optimization Workflow for Tuning Numerical Settings of Differential Equation Solvers for Boundary Value Problems
von: Victor, Viny Saajan, et al.
Veröffentlicht: (2024)

Modeling Large-Scale Walking and Cycling Networks: A Machine Learning Approach Using Mobile Phone and Crowdsourced Data
von: Saberi, Meead, et al.
Veröffentlicht: (2024)

Generalization Limits of In-Context Operator Networks for Higher-Order Partial Differential Equations
von: Mahowald, Jamie, et al.
Veröffentlicht: (2026)

Performance of Machine Learning Methods for Gravity Inversion: Successes and Challenges
von: Negahdari, Vahid, et al.
Veröffentlicht: (2025)

An In-Depth Examination of Risk Assessment in Multi-Class Classification Algorithms
von: Ghandwani, Disha, et al.
Veröffentlicht: (2024)

Genetic Column Generation for Computing Lower Bounds for Adversarial Classification
von: Penka, Maximilian
Veröffentlicht: (2024)

Fast and interpretable Support Vector Classification based on the truncated ANOVA decomposition
von: Akhalaya, Kseniya, et al.
Veröffentlicht: (2024)

Interpretable Spatial-Temporal Fusion Transformers: Multi-Output Prediction for Parametric Dynamical Systems with Time-Varying Inputs
von: Sun, Shuwen, et al.
Veröffentlicht: (2025)

Derivative-informed Graph Convolutional Autoencoder with Phase Classification for the Lifshitz-Petrich Model
von: Chen, Yanlai, et al.
Veröffentlicht: (2025)

Accelerating Multilevel Markov Chain Monte Carlo Using Machine Learning Models
von: Reddy, Sohail, et al.
Veröffentlicht: (2024)

Matrix Calculus (for Machine Learning and Beyond)
von: Bright, Paige, et al.
Veröffentlicht: (2025)

Machine Learning and Control: Foundations, Advances, and Perspectives
von: Zuazua, Enrique
Veröffentlicht: (2025)

Physics-Informed Machine Learning for Characterizing System Stability
von: Koike, Tomoki, et al.
Veröffentlicht: (2025)

Stochastic Langevin Differential Inclusions with Applications to Machine Learning
von: Difonzo, Fabio V., et al.
Veröffentlicht: (2022)

Machine Learning with Physics Knowledge for Prediction: A Survey
von: Watson, Joe, et al.
Veröffentlicht: (2024)

Streaming Krylov-Accelerated Stochastic Gradient Descent
von: Thomas, Stephen
Veröffentlicht: (2025)