Buchumschlag

Preprint, models and results: Biologically informed neural network models are robust to spurious interactions via self-pruning

Fuente: Zenodo

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Nordenstorm, Olof
Format:	Recurso digital
Sprache:	Englisch
Veröffentlicht:	Zenodo 2025
Schlagworte:	Deep Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Thermodynamics-informed graph neural networks for real-time simulation of digital human twins: Initial Release
von: Lucas Tesán, et al.
Veröffentlicht: (2026)

Confident magnitude-based neural network pruning
von: Alvarez, Joaquin
Veröffentlicht: (2024)

Data for the study: "Force and stress calculations with a neural-network wave function for solids"
von: Qian, Yubing
Veröffentlicht: (2024)

Elimination-compensation pruning for fully-connected neural networks
von: Ballini, Enrico, et al.
Veröffentlicht: (2026)

Neural network relief: a pruning algorithm based on neural activity
von: Dekhovich, Aleksandr, et al.
Veröffentlicht: (2021)

Contextual Interpretation: An Adaptive Framework for Situated reference resolution
von: Kaliappan, Velu
Veröffentlicht: (2025)

SaeGraphDTI: drug-target interaction prediction based on sequence attribute extraction and graph neural network.
von: Zhang, Qiaosheng, et al.
Veröffentlicht: (2025)

Detecting Cybersecurity Threats using Deep Learning
von: Ali, Ratul
Veröffentlicht: (2025)

FragBEST-Myo data and models
von: Yang, Yu-Yuan, et al.
Veröffentlicht: (2026)

Towards agent-based-model informed neural networks
von: Antulov-Fantulin, Nino
Veröffentlicht: (2025)

Efficient training for large-scale optical neural network using an evolutionary strategy and attention pruning
von: Yang, Zhiwei, et al.
Veröffentlicht: (2025)

Code for "Classification of seismic events in the mainland of China based on spectrograms and model interpretability"
von: Chen, Yongjie, et al.
Veröffentlicht: (2026)

RDI: An adversarial robustness evaluation metric for deep neural networks based on model statistical features
von: Song, Jialei, et al.
Veröffentlicht: (2025)

Flexible SE(2) graph neural networks with applications to PDE surrogates
von: Bånkestad, Maria, et al.
Veröffentlicht: (2024)

Deep Learning-Based Analysis of Precipitation Blocking at the Northwestern Iran Border with Comparative Insights from Utah, USA
von: Sohrabi, Mohammad
Veröffentlicht: (2025)

Adversarially robust generalization theory via Jacobian regularization for deep neural networks
von: Wu, Dongya, et al.
Veröffentlicht: (2024)

NIRVANA: Structured pruning reimagined for large language models compression
von: Ai, Mengting, et al.
Veröffentlicht: (2025)

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

The impact of neural network optimization on real-time cloud decision systems
von: Priya Narayanan
Veröffentlicht: (2025)

Distributionally robust approximation property of neural networks
von: Ceylan, Mihriban, et al.
Veröffentlicht: (2025)

Numerical analysis of physics-informed neural networks and related models in physics-informed machine learning
von: De Ryck, Tim, et al.
Veröffentlicht: (2024)

A decomposition-based robust training of physics-informed neural networks for nearly incompressible linear elasticity
von: Dick, Josef, et al.
Veröffentlicht: (2025)

A discrete physics-informed training for projection-based reduced order models with neural networks
von: Sibuet, N., et al.
Veröffentlicht: (2025)

Pharmaceutical Image Recognition Using Deep Learning
von: Blessy Harshitha Gandu, et al.
Veröffentlicht: (2025)

Understanding Variable Performance on Deep MIL Framework for the Acoustic Detection of Tropical Birds
von: Jorge Castro
Veröffentlicht: (2020)

Compressing CNN models for resource-constrained systems by channel and layer pruning
von: Sadaqa, Ahmed, et al.
Veröffentlicht: (2025)

Convergence of physics-informed neural networks modeling time-harmonic wave fields
von: Schoder, Stefan, et al.
Veröffentlicht: (2025)

A physics-informed neural network framework for modeling obstacle-related equations
von: Bahja, Hamid El, et al.
Veröffentlicht: (2023)

Decomposing stimulus-specific sensory neural information via diffusion models
von: Laquitaine, Steeve, et al.
Veröffentlicht: (2025)

An axiomatized PDE model of deep neural networks
von: Wang, Tangjun, et al.
Veröffentlicht: (2023)

Community detection robustness of graph neural networks
von: Goel, Jaidev, et al.
Veröffentlicht: (2025)

Are classical deep neural networks weakly adversarially robust?
von: Sun, Nuolin, et al.
Veröffentlicht: (2025)

Uncertainty quantification of neural network models of evolving processes via Langevin sampling
von: Safta, Cosmin, et al.
Veröffentlicht: (2025)

Biology-informed neural networks learn nonlinear representations from omics data to improve genomic prediction and interpretability
von: Kontolati, Katiana, et al.
Veröffentlicht: (2025)

A constrained optimization approach to improve robustness of neural networks
von: Zhao, Shudian, et al.
Veröffentlicht: (2024)

Deterministic and statistical calibration of constitutive models from full-field data with parametric physics-informed neural networks
von: Anton, David, et al.
Veröffentlicht: (2024)

Sharp-PINNs: staggered hard-constrained physics-informed neural networks for phase field modelling of corrosion
von: Chen, Nanxi, et al.
Veröffentlicht: (2025)

Incorporating graph neural network into route choice model
von: Ma, Yuxun, et al.
Veröffentlicht: (2025)

Uncertainty propagation in feed-forward neural network models
von: Diamzon, Jeremy, et al.
Veröffentlicht: (2025)

Code for the paper "Modeling nascent transcription from chromatin landscape and structure"
von: Pielies Avelli, Marc, et al.
Veröffentlicht: (2025)