Buchumschlag

Adaptive regularization parameter selection for high-dimensional inverse problems: A Bayesian approach with Tucker low-rank constraints

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Qing-Mei, Zhang, Da-Qing
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

Unsupervised feature selection using Bayesian Tucker decomposition
von: Taguchi, Y-h., et al.
Veröffentlicht: (2026)

Adaptive operator learning for infinite-dimensional Bayesian inverse problems
von: Gao, Zhiwei, et al.
Veröffentlicht: (2023)

Orthogonal Subspace Clustering: Enhancing High-Dimensional Data Analysis through Adaptive Dimensionality Reduction and Efficient Clustering
von: Wen, Qing-Yuan, et al.
Veröffentlicht: (2026)

LRTuckerRep: Low-rank Tucker Representation Model for Multi-dimensional Data Completion
von: Gong, Wenwu, et al.
Veröffentlicht: (2025)

A variational Bayes approach to debiased inference for low-dimensional parameters in high-dimensional linear regression
von: Castillo, Ismaël, et al.
Veröffentlicht: (2024)

SLTrain: a sparse plus low-rank approach for parameter and memory efficient pretraining
von: Han, Andi, et al.
Veröffentlicht: (2024)

Functional Bayesian Tucker Decomposition for Continuous-indexed Tensor Data
von: Fang, Shikai, et al.
Veröffentlicht: (2023)

Tucker Diffusion Model for High-dimensional Tensor Generation
von: Guo, Jianhua, et al.
Veröffentlicht: (2026)

Conditional Hierarchical Bayesian Tucker Decomposition for Genetic Data Analysis
von: Sandler, Adam, et al.
Veröffentlicht: (2019)

A sparse PAC-Bayesian approach for high-dimensional quantile prediction
von: Mai, The Tien
Veröffentlicht: (2024)

GARCH-FIS: A Hybrid Forecasting Model with Dynamic Volatility-Driven Parameter Adaptation
von: Li, Wen-Jing, et al.
Veröffentlicht: (2026)

Robust low-rank training via approximate orthonormal constraints
von: Savostianova, Dayana, et al.
Veröffentlicht: (2023)

Bayesian inverse Navier-Stokes problems: joint flow field reconstruction and parameter learning
von: Kontogiannis, Alexandros, et al.
Veröffentlicht: (2024)

The Mixing method: low-rank coordinate descent for semidefinite programming with diagonal constraints
von: Wang, Po-Wei, et al.
Veröffentlicht: (2017)

Bayesian PINNs for uncertainty-aware inverse problems (BPINN-IP)
von: Mohammad-Djafari, Ali
Veröffentlicht: (2026)

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

Orthogonal Factor-Based Biclustering Algorithm (BCBOF) for High-Dimensional Data and Its Application in Stock Trend Prediction
von: Huang, Yan, et al.
Veröffentlicht: (2025)

Bayesian model selection and misspecification testing in imaging inverse problems only from noisy and partial measurements
von: Sprunck, Tom, et al.
Veröffentlicht: (2025)

On the estimation rate of Bayesian PINN for inverse problems
von: Sun, Yi, et al.
Veröffentlicht: (2024)

Conditional neural control variates for variance reduction in Bayesian inverse problems
von: Siahkoohi, Ali, et al.
Veröffentlicht: (2026)

An information theoretic approach to quantify the stability of feature selection and ranking algorithms
von: Alaiz-Rodriguez, et al.
Veröffentlicht: (2024)

Spectra-Guided Neural Tucker Factorization
von: Wang, Fusheng, et al.
Veröffentlicht: (2026)

Data-driven approaches to inverse problems
von: Schönlieb, Carola-Bibiane, et al.
Veröffentlicht: (2025)

Noisy Nonnegative Tucker Decomposition with Sparse Factors and Missing Data
von: Zhang, Xiongjun, et al.
Veröffentlicht: (2022)

Gaussian processes for Bayesian inverse problems associated with linear partial differential equations
von: Bai, Tianming, et al.
Veröffentlicht: (2023)

DeepONet-accelerated Bayesian inversion for moving boundary problems
von: Iglesias, Marco A., et al.
Veröffentlicht: (2025)

Dual-space posterior sampling for Bayesian inference in constrained inverse problems
von: Siahkoohi, Ali, et al.
Veröffentlicht: (2026)

BO4IO: A Bayesian optimization approach to inverse optimization with uncertainty quantification
von: Lu, Yen-An, et al.
Veröffentlicht: (2024)

Adaptive posterior distributions for uncertainty analysis of covariance matrices in Bayesian inversion problems for multioutput signals
von: Curbelo, E., et al.
Veröffentlicht: (2025)

Accelerating nuclear-norm regularized low-rank matrix optimization through Burer-Monteiro decomposition
von: Lee, Ching-pei, et al.
Veröffentlicht: (2022)

Learning to solve Bayesian inverse problems: An amortized variational inference approach using Gaussian and Flow guides
von: Karumuri, Sharmila, et al.
Veröffentlicht: (2023)

AdaFish: Fast low-rank parameter-efficient fine-tuning by using second-order information
von: Hu, Jiang, et al.
Veröffentlicht: (2024)

Bayesian Low-rank Adaptation for Large Language Models
von: Yang, Adam X., et al.
Veröffentlicht: (2023)

$Γ$-VAE: Curvature regularized variational autoencoders for uncovering emergent low dimensional geometric structure in high dimensional data
von: Kim, Jason Z., et al.
Veröffentlicht: (2024)

A survey and benchmark of high-dimensional Bayesian optimization of discrete sequences
von: González-Duque, Miguel, et al.
Veröffentlicht: (2024)

Fine-tuning LLMs with variational Bayesian last layer for high-dimensional Bayesian optimization
von: Xiang, Haotian, et al.
Veröffentlicht: (2025)

Random Exploration in Bayesian Optimization: Order-Optimal Regret and Computational Efficiency
von: Salgia, Sudeep, et al.
Veröffentlicht: (2023)

Solving Bayesian inverse problems with diffusion priors and off-policy RL
von: Scimeca, Luca, et al.
Veröffentlicht: (2025)

Adaptive parameter-efficient fine-tuning via Hessian-informed subset selection
von: Xu, Shiyun, et al.
Veröffentlicht: (2025)

Improving sample efficiency of high dimensional Bayesian optimization with MCMC
von: Yi, Zeji, et al.
Veröffentlicht: (2024)