Robust Training of Neural Networks at Arbitrary Precision and Sparsity

Ce papier propose un cadre unifié qui modélise la quantification et l'éparpillement comme du bruit additif et introduit une transformée de déquantification débruyante pour établir un chemin de gradient explicite, permettant ainsi l'entraînement robuste de réseaux de neurones à des précisions arbitraires et à des niveaux d'éparpillement extrêmes, y compris en dessous d'un bit.

Chengxi Ye, Grace Chu, Yanfeng Liu, Yichi Zhang, Lukasz Lew, Li Zhang, Mark Sandler, Andrew HowardWed, 11 Ma🤖 cs.AI

Stochastic and incremental subgradient methods for convex optimization on Hadamard spaces

Cet article introduit un nouveau type de sous-gradient basé sur les fonctions de Busemann pour les espaces de Hadamard, permettant d'étendre les méthodes de sous-gradient stochastiques et incrémentales avec des garanties de complexité à des problèmes d'optimisation non linéaires tels que le calcul de médianes dans l'espace des arbres BHV.

Ariel Goodwin, Adrian S. Lewis, Genaro López-Acedo, Adriana NicolaeWed, 11 Ma🔢 math

On the Conjecture of Stability Preservation in Arbitrary-Order Adams-Bashforth-Type Integrators

Cet article réfute la conjecture selon laquelle un schéma d'intégration explicite d'ordre élevé, introduit par Buvoli et présentant une stabilité supérieure aux méthodes d'Adams-Bashforth classiques, conserve sa stabilité lorsque l'ordre de précision tend vers l'infini, tout en établissant un critère pour déterminer la précision maximale admissible et en proposant une analyse unifiée de la stabilité L2L^2 pour des EDP paraboliques.

Daopeng Yin, Liquan MeiWed, 11 Ma🔢 math

Strong convergence of finite element approximations for a fourth-order stochastic pseudo-parabolic equation with additive noise

Cet article analyse la convergence forte des approximations par éléments finis semi-discrètes et entièrement discrètes d'une équation stochastique pseudo-parabolique d'ordre quatre avec bruit additif, en établissant des taux de convergence théoriques et en les validant par des expériences numériques.

Suprio Bhar, Mrinmay Biswas, Mangala PrasadWed, 11 Ma🔢 math-ph

A fast direct solver for two-dimensional transmission problems of elastic waves

Cet article présente un solveur direct rapide basé sur une méthode des éléments de frontière pour les problèmes de transmission d'ondes élastiques bidimensionnelles, qui contourne les limitations de la préconditionnement de Calderón en utilisant des formulations de Burton-Miller et PMCHWT avec une approximation hiérarchique de bas rang, offrant ainsi une complexité computationnelle linéaire et une efficacité indépendante de la forme des inclusions.

Yasuhiro Matsumoto, Taizo MaruyamaWed, 11 Ma🔢 math

Robust Parameter and State Estimation in Multiscale Neuronal Systems Using Physics-Informed Neural Networks

Cette étude propose un cadre basé sur les réseaux de neurones informés par la physique (PINN) permettant une estimation robuste des paramètres biophysiques et la reconstruction des états cachés dans des modèles neuronaux multiscales, surpassant les méthodes traditionnelles face aux non-linéarités et aux données partielles.

Changliang Wei, Yangyang Wang, Xueyu ZhuWed, 11 Ma🤖 cs.LG

An efficient predictor-corrector approach with orthogonal spline collocation finite element technique for FitzHugh-Nagumo problem

Cet article propose une méthode efficace combinant un algorithme prédicteur-correcteur avec des pas de temps variables et constants, et une technique de collocation par splines orthogonales pour résoudre le système de FitzHugh-Nagumo, garantissant une stabilité inconditionnelle, une haute précision et une convergence temporelle d'ordre deux.

Eric NgondiepWed, 11 Ma🔢 math

Overlapping Schwarz Preconditioners for Pose-Graph SLAM in Robotics

Cet article explore l'application de la méthode de décomposition de domaine de Schwarz additive avec recouvrement comme préconditionneur pour les systèmes linéaires issus de l'optimisation de graphes de pose en SLAM, démontrant par des expériences numériques que cette approche assure une convergence scalable indépendante de la taille du problème grâce à une analogie structurelle avec les problèmes d'élasticité en éléments finis.

Stephan Köhler, Oliver Rheinbach, Yue Xiang Tee, Sebastian ZugWed, 11 Ma🔢 math