-
最近の投稿
- A Systematic Approach to Design Real-World Human-in-the-Loop Deep Reinforcement Learning: Salient Features, Challenges and Trade-offs
- Robo-Troj: Attacking LLM-based Task Planners
- SE(3)-Equivariant Robot Learning and Control: A Tutorial Survey
- Geometric Formulation of Unified Force-Impedance Control on SE(3) for Robotic Manipulators
- Subframework-based Bearing Rigidity Maintenance Control in Multirobot Networks
-
最近のコメント
表示できるコメントはありません。 cs.AI (37106) cs.CL (28087) cs.CV (42847) cs.HC (2837) cs.LG (42044) cs.RO (21987) cs.SY (3355) eess.IV (4990) eess.SY (3347) stat.ML (5498)
「G.1.8」カテゴリーアーカイブ
Neural Green’s Operators for Parametric Partial Differential Equations
要約 この作業では、線形部分微分方程式（PDE）のパラメトリックファミリーのソリ … 続きを読む
Neural Green’s Operators for Parametric Partial Differential Equations
要約 この作業では、線形部分微分方程式（PDE）のパラメトリックファミリーのソリ … 続きを読む
Convex Physics Informed Neural Networks for the Monge-Ampère Optimal Transport Problem
要約 サプライヤーから顧客までの原材料の最適な輸送は物流で生じる問題であり、ここ … 続きを読む
Optimal Transport-Based Displacement Interpolation with Data Augmentation for Reduced Order Modeling of Nonlinear Dynamical Systems
要約 最適輸送 (OT) 理論と変位補間を活用して、複雑なシステムにおける非線形 … 続きを読む
Linearization Turns Neural Operators into Function-Valued Gaussian Processes
要約 動的システムのモデリング、例: 気候科学や工学科学では、偏微分方程式を解く … 続きを読む
A Physics-driven GraphSAGE Method for Physical Process Simulations Described by Partial Differential Equations
要約 物理情報に基づいたニューラル ネットワーク (PINN) は、偏微分方程式 … 続きを読む
カテゴリー: cs.LG, G.1.8, physics.comp-ph
A Physics-driven GraphSAGE Method for Physical Process Simulations Described by Partial Differential Equations はコメントを受け付けていません
Robust Physics Informed Neural Networks
要約 偏微分方程式 (PDE) 解を近似するために、物理情報に基づいたニューラル … 続きを読む