实体
Benjamin Peherstorfer
Benjamin Peherstorfer
PulseAugur coverage of Benjamin Peherstorfer — every cluster mentioning Benjamin Peherstorfer across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新的惯性狄拉克-弗兰克尔动力学改进了神经网络中的参数稳定性
研究人员开发了一种惯性形式的狄拉克-弗兰克尔动力学，以解决冗余非线性参数化（如神经网络）中不唯一或病态的参数动力学问题。这种新方法引入了惯性，允许过去的轨迹信息为弱约束的参数速度方向提供信息，而强约束的方向则继续遵循原始动力学。已证明惯性形式可以产生适定的参数动力学并提供后验误差界，在数值实验中表现出更高的鲁棒性。
-
新的FTM方法以低成本预测混沌系统
研究人员开发了一种名为一阶轨迹匹配（FTM）的新代理建模方法，用于预测混沌、湍流和随机系统的行为。FTM直接从系统轨迹中学习，以模拟概率质量的传输，从而以较低的计算成本实现准确的集成预测。通过将离散化误差与采样方差分离来分析该方法的稳定性，确保在时间分辨率和样本量平衡时获得可靠的结果。
-
新研究探索学习复杂物理系统的动力学
两篇新研究论文介绍了使用无标签数据学习复杂物理系统动力学的新方法。第一篇论文《物理系统种群动力学学习的双参数流》提出了一种使用双参数流学习时间依赖性概率密度而不需轨迹信息的技术。第二篇论文《利用规范自由度学习随机系统的非梯度种群动力学》提出了一种名为非梯度推断流（NGIF）的算法，通过参数化一般向量场来推断非梯度种群动力学，提高了相对于梯度受限方法的分布精度。