研究人员开发了一个新的理论框架，用于从解数据中识别控制方程，解决了科学机器学习中的一个基本挑战。该方法引入了Hausdorff距离作为比较微分方程的度量，能够表征方程可以唯一且稳定地识别的条件。这项工作提供了可识别性界限并分析了样本复杂度，量化了可靠恢复各种常微分方程类别下底层方程所需的观测数量。 AI
影响 为识别控制方程提供了理论基础，有可能提高科学发现和模拟的准确性。
排序理由 该集群包含一篇发表在arXiv上的学术论文，详细介绍了科学机器学习的理论进展。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- Brunton
- convolutional neural operators
- cs.LG
- Datadriven Discovery Partial
- Discovering governing equations from data by sparse identification of nonlinear dynamical systems
- Hausdorff distance
- Hugging Face
- Kovachki
- Long
- Neural operator learning of heterogeneous mechanobiological insults contributing to aortic aneurysms
- Ordinary Differential Equations
- PDENet
- Raonići
- Rudy
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
