Buchumschlag

Finite Volume-Informed Neural Network Framework for 2D Shallow Water Equations: Rugged Loss Landscapes and the Importance of Data Guidance

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Liu, Xiaofeng
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

Loss Landscape of Shallow ReLU-like Neural Networks: Stationary Points, Saddle Escape, and Network Embedding
von: Wu, Frank Zhengqing, et al.
Veröffentlicht: (2024)

Finite Samples for Shallow Neural Networks
von: Xia, Yu, et al.
Veröffentlicht: (2025)

Scientific Machine Learning of Flow Resistance Using Universal Shallow Water Equations with Differentiable Programming
von: Liu, Xiaofeng, et al.
Veröffentlicht: (2025)

Nonlinear Dynamics In Optimization Landscape of Shallow Neural Networks with Tunable Leaky ReLU
von: Liu, Jingzhou
Veröffentlicht: (2025)

Visualization and Analysis of the Loss Landscape in Graph Neural Networks
von: Moustafa, Samir, et al.
Veröffentlicht: (2025)

Visualizing, Rethinking, and Mining the Loss Landscape of Deep Neural Networks
von: Xu, Yichu, et al.
Veröffentlicht: (2024)

Beyond Unconstrained Features: Neural Collapse for Shallow Neural Networks with General Data
von: Hong, Wanli, et al.
Veröffentlicht: (2024)

Embedding Principle in Depth for the Loss Landscape Analysis of Deep Neural Networks
von: Bai, Zhiwei, et al.
Veröffentlicht: (2022)

Time Scale Network: A Shallow Neural Network For Time Series Data
von: Meyer, Trevor, et al.
Veröffentlicht: (2023)

A Unified Theory of Quantum Neural Network Loss Landscapes
von: Anschuetz, Eric R.
Veröffentlicht: (2024)

Loss Landscape Characterization of Neural Networks without Over-Parametrization
von: Islamov, Rustem, et al.
Veröffentlicht: (2024)

Paths and Ambient Spaces in Neural Loss Landscapes
von: Dold, Daniel, et al.
Veröffentlicht: (2025)

Neural Tangent Kernel of Neural Networks with Loss Informed by Differential Operators
von: Gan, Weiye, et al.
Veröffentlicht: (2025)

Learning with Shallow Neural Networks on Cluster-Structured Features
von: Cornacchia, Elisabetta, et al.
Veröffentlicht: (2026)

Per-Loss Adapters for Gradient Conflict in Physics-Informed Neural Networks
von: Kim, Bum Jun, et al.
Veröffentlicht: (2026)

Meta-learning Loss Functions of Parametric Partial Differential Equations Using Physics-Informed Neural Networks
von: Koumpanakis, Michail, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks: Minimizing Residual Loss with Wide Networks and Effective Activations
von: Dashtbayaz, Nima Hosseini, et al.
Veröffentlicht: (2024)

Theoretical Understanding of In-Context Learning in Shallow Transformers with Unstructured Data
von: Xing, Yue, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Network Frameworks for the Analysis of Engineering and Biological Dynamical Systems Governed by Ordinary Differential Equations
von: Whitman, Tyrus, et al.
Veröffentlicht: (2025)

Applications and Manipulations of Physics-Informed Neural Networks in Solving Differential Equations
von: Gupta, Aarush, et al.
Veröffentlicht: (2025)

PinnDE: Physics-Informed Neural Networks for Solving Differential Equations
von: Matthews, Jason, et al.
Veröffentlicht: (2024)

Uniform-in-Time Weak Propagation-of-Chaos in Shallow Neural Networks
von: Glasgow, Margalit, et al.
Veröffentlicht: (2026)

LossVal: Efficient Data Valuation for Neural Networks
von: Wibiral, Tim, et al.
Veröffentlicht: (2024)

Efficient Sketches for Training Data Attribution and Studying the Loss Landscape
von: Schioppa, Andrea
Veröffentlicht: (2024)

Data-Guided Physics-Informed Neural Networks for Solving Inverse Problems in Partial Differential Equations
von: Zhou, Wei, et al.
Veröffentlicht: (2024)

Transformed Physics-Informed Neural Networks for The Convection-Diffusion Equation
von: Guan, Jiajing, et al.
Veröffentlicht: (2024)

Approximating Families of Sharp Solutions to Fisher's Equation with Physics-Informed Neural Networks
von: Rohrhofer, Franz M., et al.
Veröffentlicht: (2024)

Provable Privacy Attacks on Trained Shallow Neural Networks
von: Smorodinsky, Guy, et al.
Veröffentlicht: (2024)

Wasserstein Distributionally Robust Shallow Convex Neural Networks
von: Pallage, Julien, et al.
Veröffentlicht: (2024)

Uncertainty Quantification in Graph Neural Networks with Shallow Ensembles
von: Vinchurkar, Tirtha, et al.
Veröffentlicht: (2025)

Physics-Informed Neural Networks with Learnable Loss Balancing and Transfer Learning
von: Pirayeshshirazinezhad, Reza
Veröffentlicht: (2026)

Exploring Physics-Informed Neural Networks for Crop Yield Loss Forecasting
von: Miranda, Miro, et al.
Veröffentlicht: (2024)

Implicit Bias of Mirror Flow for Shallow Neural Networks in Univariate Regression
von: Liang, Shuang, et al.
Veröffentlicht: (2024)

Sensitivity Analysis On Loss Landscape
von: Faroz, Salman
Veröffentlicht: (2024)

Flat Channels to Infinity in Neural Loss Landscapes
von: Martinelli, Flavio, et al.
Veröffentlicht: (2025)

Sharp Minima Can Generalize: A Loss Landscape Perspective On Data
von: Fan, Raymond, et al.
Veröffentlicht: (2025)

Impact of Loss Weight and Model Complexity on Physics-Informed Neural Networks for Computational Fluid Dynamics
von: Chou, Yi En, et al.
Veröffentlicht: (2025)

Neural Collapse under Gradient Flow on Shallow ReLU Networks for Orthogonally Separable Data
von: Min, Hancheng, et al.
Veröffentlicht: (2025)

Learning from Integral Losses in Physics Informed Neural Networks
von: Saleh, Ehsan, et al.
Veröffentlicht: (2023)

Exploring Deep-to-Shallow Transformable Neural Networks for Intelligent Embedded Systems
von: Luo, Xiangzhong, et al.
Veröffentlicht: (2025)