Thibaut Germain: Geometric Dictionary Learning of Dynamical Systems with Optimal Transport
Thibaut Germain : Apprentissage de dictionnaires géométriques de systèmes dynamiques avec transport optimal
★
★
★
★
☆
4/5
Machine Learning and Dynamical Systems Seminar
@mlds_seminar
Tolga Birdal: Generalization at the Edge of Stability
Tolga Birdal : La généralisation à la limite de la stabilité
★
★
★
★
☆
4/5
Maximilian Engel: Random Dynamical Systems in Deep Neural Networks
Maximilian Engel : Systèmes dynamiques aléatoires dans les réseaux de neurones profonds
★
★
★
★
☆
4/5
Lorenzo Livi: Toward a Dynamical Theory of Deep Learning
Lorenzo Livi : Vers une théorie dynamique de l'apprentissage profond
★
★
★
★
☆
4/5
Yuma Nakamura: Ensemble Reservoir Computing for Physical Systems
Yuma Nakamura : Calcul de réservoir d'ensemble pour les systèmes physiques
★
★
★
★
☆
4/5
Yingdong Lu: Stability and geometric structure of the Gradient Flows for In-Context Learning
Yingdong Lu: Stabilité et structure géométrique des flux de gradient pour l'apprentissage en contexte
★
★
★
★
☆
4/5
Yuanchao Xu:Generative Modeling through Koopman Spectral Analysis: An Operator-Theoretic Perspective
Yuanchao Xu: Modélisation Générative à travers l'Analyse Spectrale de Koopman : Une Perspective Théorique des Opérateurs
★
★
★
★
☆
4/5
Wei Huang: Trained Mamba Emulates Online Gradient Descent in In-Context Linear Regression
Wei Huang: Mamba entraîné émule la descente de gradient en ligne dans la régression linéaire en contexte
★
★
★
★
☆
4/5
Wei Hao Tey: Towards early warning signals for critical transitions in random DS with bounded noise
Wei Hao Tey: Vers des signaux d'alerte précoce pour les transitions critiques dans les systèmes dynamiques aléatoires avec bruit borné
★
★
★
★
☆
4/5
Victor Churchill: Efficient Data-Driven Modeling of PDEs: Partially-Observed Flow Map Learning
Victor Churchill: Modélisation efficace basée sur les données des EDP: Apprentissage de cartes de flux partiellement observées
★
★
★
★
☆
4/5
Soon Hoe Lim: On the Potential and Pitfalls of Flow Matching for Probabilistic Forecasting
Soon Hoe Lim: Sur le potentiel et les pièges du Flow Matching pour la prévision probabiliste
★
★
★
★
☆
4/5
Robert Szalai: Invariant foliations as a practical data-driven modelling tool
Robert Szalai : les feuilletages invariants comme outil pratique de modélisation guidée par les données
★
★
★
★
☆
4/5
Renier Mendoza: Image reconstruction in electrical impedance tomography using deep neural networks
Renier Mendoza: Reconstruction d'images en tomographie d'impédance électrique à l'aide de réseaux de neurones profonds
★
★
★
★
☆
4/5
Pantelis Vlachas: Hypernetworks for Adaptive and Generalizable Forecasting in Dynamical Systems
Pantelis Vlachas : Hyperréseaux pour la prévision adaptative et généralisable dans les systèmes dynamiques
★
★
★
★
☆
4/5
Massimiliano Tamborrino: A Probabilistic Numerical Parallel-in-Time Solver for Differential Eqns
Massimiliano Tamborrino: Un solveur numérique probabiliste parallèle dans le temps pour équations différentielles
★
★
★
★
☆
4/5
Masanobu Horie: Structure-Preserving Graph Neural Networks: Enforcing Symmetry and Conservation Laws
Masanobu Horie: Réseaux de neurones de graphes préservant la structure : Application de la symétrie et des lois de conservation
★
★
★
★
☆
4/5
Luca Galimberti: Infinite-dimensional Deep Learning methods for Finance
Luca Galimberti : Méthodes d’apprentissage profond de dimension infinie pour la finance
★
★
★
★
☆
4/5
Lior Horesh: Evolving the Scientific Method from (AI-) Descartes, through Hilbert to Noether
Lior Horesh: Faire évoluer la méthode scientifique de (IA-) Descartes, en passant par Hilbert jusqu'à Noether
★
★
★
★
☆
4/5
Krishnan Raghavan: The role of architecture in learning a continuum of task
Krishnan Raghavan : Le rôle de l'architecture dans l'apprentissage d'un continuum de tâches
★
★
★
★
☆
4/5
Jinqiao Duan: Tipping Dynamics in Stochastic Dynamical Systems
Jinqiao Duan : Dynamique de basculement dans les systèmes dynamiques stochastiques
★
★
★
★
☆
4/5
James Murray Louw: Stability in learning the climate of dynamical systems with state space systems
James Murray Louw: Stabilité dans l'apprentissage du climat de systèmes dynamiques avec des systèmes d'espace d'états
★
★
★
★
☆
4/5
George Stepaniants: Volterra Equations, Neural ODEs, and Constitutive Laws of Materials
George Stepaniants: Equations de Volterra, Neural ODEs, et Lois constitutives des matériaux
★
★
★
★
☆
4/5
Florian Rossmannek: Echo states and fading memory in state-space systems
Florian Rossmannek : États d'écho et mémoire défaillante dans les systèmes d'espace d'état
★
★
★
★
☆
4/5
Christian Uhl: Extracting Dynamical Systems-Based Signals from Noisy and Incomplete Datasets
Christian Uhl : Extraction de signaux basés sur les systèmes dynamiques à partir d'ensembles de données bruités et incomplets
★
★
★
★
☆
4/5
Boumediene Hamzi: Toward an Algorithmic Theory of Machine Learning via Kernel Methods
Boumediene Hamzi : Vers une théorie algorithmique de l'apprentissage automatique via les méthodes à noyau
★
★
★
★
☆
4/5
Andrea Novoa: Towards real-time digital turbulence
Andrea Novoa : Vers une turbulence numérique en temps réel
★
★
★
★
☆
4/5
Wei Kang: Deep Learning for Data Assimilation
Wei Kang : Apprentissage profond pour l'assimilation de données
★
★
★
★
☆
4/5
Tobias Sutter: Towards Optimal Offline Reinforcement Learning
Tobias Sutter : Vers un apprentissage par renforcement hors ligne optimal
★
★
★
★
☆
4/5
Mor Nitzan: Learning Diffeomorphisms for Dynamical Prototype Matching in Biological Data
Mor Nitzan: Apprendre les difféomorphismes pour la mise en correspondance de prototypes dynamiques dans les données biologiques
★
★
★
★
☆
4/5
Lin Wan: Learning collective multicellular dynamics with an interacting mean field neural SDE model
Lin Wan : Apprendre les dynamiques collectives multicellulaires avec un modèle neuronal SDE de champ moyen interactif
★
★
★
★
☆
4/5
Benjamin Charles Walker: Linear Neural Controlled Differential Equations
Benjamin Charles Walker : Équations différentielles linéaires contrôlées par les neurones
★
★
★
★
☆
4/5
Ying-Cheng Lai: Unsupervised learning for anticipating critical transitions
Ying-Cheng Lai : Apprentissage non supervisé pour anticiper les transitions critiques
★
★
★
★
☆
4/5
Masanobu Inubushi: Reservoir computing with generalized readout based on generalized synchronization
Masanobu Inubushi: Calcul de réservoir avec lecture généralisée basée sur la synchronisation généralisée
★
★
★
★
☆
4/5
Jeroen Lamb: Learning random dynamical systems
Jeroen Lamb : Apprentissage des systèmes dynamiques aléatoires
★
★
★
★
☆
4/5
Deniz Eroglu: Data-Driven Reconstruction of Brain Network Dynamics
Deniz Eroglu : Reconstruction de la dynamique des réseaux cérébraux à partir des données
★
★
★
★
☆
4/5
Daniel Lathrop: Using nonlinear dynamics for low-power high-speed machine learning electronics
Daniel Lathrop : Utiliser la dynamique non linéaire pour l'électronique d'apprentissage automatique à faible puissance et haute vitesse
★
★
★
★
☆
4/5
Andrew Wilson: Epiplexity: A Measure of Structural Information Content for OOD Generalization
Andrew Wilson: Epiplexity: Une mesure du contenu d'information structurel pour la généralisation OOD
★
★
★
★
☆
4/5
Anas Barakat: Multi-Agent Online Control with Adversarial Disturbances
Anas Barakat : Contrôle multi-agents en ligne avec perturbations adverses
★
★
★
★
☆
4/5
Aurelian Gheondea: Mercer's Theorem. An Operator Theorist's Perspective.
Aurélien Gheondea : Le théorème de Mercer. Le point de vue d'un théoricien des opérateurs.
★
★
★
★
☆
4/5
Aurelian Gheondea: Reproducing Kernel Hilbert Spaces. General Theory towards Mercer's Theorem
Aurelian Gheondea: Espaces de Hilbert à noyau reproduisant. Théorie générale vers le théorème de Mercer
★
★
★
★
☆
4/5