Greedy algorithms for high-dimensional non-symmetric linear problems
针对高维非对称线性问题,提出基于贪婪算法的张量积函数和逼近方法,并讨论其理论收敛性和实现。
2012-10-24 cs.NA math.FA math.NA
Three-dimensional simulation of nonwoven fabrics using a greedy approximation of the distribution of fiber directions
Fraunhofer ITWM(弗劳恩霍夫信息技术与数据科学研究所);University of Siegen(锡根大学)
本文提出一种基于贪心算法的纤维方向分布近似方法,用于高效模拟非织造织物的三维结构,通过减少计算量显著提升仿真效率。
2016-08-04 cs.NA math.NA math.PR
Nonlinear reduced basis using mixture Wasserstein barycenters: application to an eigenvalue problem inspired from quantum chemistry
Université Marie et Louis Pasteur, CNRS, LmB (UMR 6623)(玛丽和路易·巴斯德大学);CERMICS, École des Ponts & Inria Paris(国立路桥学校)
针对量子化学启发的参数化特征值问题,本文基于最优输运距离下Kolmogorov n-宽度更快衰减的特性,提出结合离线贪心算法与在线随机能量最小化的非线性约化基方法,数值实验验证了其良好近似性能。
2025-11-18 cs.NA math.NA
Proposal-Guided Greedy Surrogate Refinement for PDE-Driven High-Dimensional Rare-Event Estimation
Brown University(布朗大学)
本文提出一种替代模型辅助的自适应重要采样框架,通过局部细化替代模型提升高维稀有事件模拟的准确性,减少高保真评估次数。
2026-05-14 cs.NA math.NA stat.ML
A novel class of stabilized greedy kernel approximation algorithms: Convergence, stability & uniform point distribution
基于核的方法提供了一种从无网格样本重构潜在高维函数的方法,即,采样点和相应的目标值。要取得成功,一个关键因素是采样点的分布。由于计算采样点的最佳选择可能是一项不可行的任务,一个有前途的选择是使用贪婪方法。虽然这些方法可能非常有效,但取决于特定的贪婪标准,所选择的点可能很快导致计算中的不稳定性。为了避免这个问题,我们介绍和研究一类新的\textit{stabilized}贪婪核算法,它可以用来创建一个规模的新的选择策略。我们分析这些算法,特别是我们证明收敛结果和量化的一个精确的方式所选择的点的分布。这些结果允许证明,在某些Sobolev内核的情况下,该算法具有最佳的稳定性和最佳的收敛速度,包括内核的本机空间之外的功能。结果也适用于通常的情况下,$P$ -贪婪算法,显着提高国家的最先进的结果在文献中。说明性的实验,支持的理论研究结果。
2019-11-11 cs.NA math.NA
Least squares spectral element formulation of eigenvalue problems with/without interface : the one dimensional example
提出最小二乘谱元法求解一维特征值问题,涵盖无界面与有界面情形,分析收敛性并展示不同跳跃条件的数值实验。
2025-03-30 cs.NA math.NA
Greedy approximation of high-dimensional Ornstein-Uhlenbeck operators
Universidad de Concepción(康塞普西翁大学);University of Oxford(牛津大学)
针对高维Fokker-Planck方程中的Ornstein-Uhlenbeck算子,扩展了纯贪婪和正交贪婪算法的收敛性分析,证明了在乘积区域上的收敛性。
2012-02-14 cs.NA math.AP math.NA
Adaptive greedy algorithms based on parameter-domain decomposition and reconstruction for the reduced basis method
缩减基方法(RBM)通过离线-在线分解(又称“离线-在线分解”)来实现参数化偏微分方程的重复和快速求解。学习-执行过程。该方法的一个关键特征是一个贪婪算法反复扫描的训练集,一个精细的离散化的参数域,以确定下一个维度的参数诱导的解决方案的流形上,我们扩大代理解决方案的空间。虽然成功地应用于具有相当高的参数维度的问题,但挑战在于这种扫描成本主导离线成本,因为它与训练集的基数成比例,该基数相对于参数维度是指数的。在这项工作中,我们回顾了最近的三次尝试,有效地延迟这种灾难的维度,并提出了两个新的混合策略,通过连续细化和多级最大化的误差估计的训练集。所有五个离线增强的方法和原来的贪婪算法进行了测试和比较{两种类型的问题:热块问题和几何参数化亥姆霍兹问题。
2020-09-14 cs.NA math.NA
Computing Multi-Eigenpairs of High-Dimensional Eigenvalue Problems Using Tensor Neural Networks
本文提出一种基于张量神经网络和深度Ritz方法的机器学习框架,无需Monte-Carlo过程即可高精度计算高维特征值问题的多重特征对,并通过大量数值算例验证了其有效性。
2023-05-22 cs.NA math.NA
Step-Size Decay and Structural Stagnation in Greedy Sparse Learning
Departamento de Matemáticas, CUNEF Universidad Madrid, Spain(数学系,CUNEF大学,马德里,西班牙)
本文从稀疏学习角度研究了贪心算法中步长衰减对结构停滞的影响,推导了残差范数下界并验证了特征相干性的作用。
2026-03-08 cs.LG cs.NA math.NA
Kernel-based Greedy Approximation of Parametric Elliptic Boundary Value Problems
University of Stuttgart(斯图加特大学);LMU Munich(慕尼黑大学);Ca’ Foscari University of Venice(威尼斯卡福斯卡里大学)
本文提出了一种基于核方法的贪心逼近方案,针对参数椭圆边值问题实现指数收敛,扩展了参数PDE的逼近方法,并展示了其在复杂几何参数化、移动源和高维域中的高效性。
2025-07-09 cs.NA math.NA
PDE eigenvalue iterations with applications in two-dimensional photonic crystals
我们考虑PDE本征值问题,因为它们发生在二维光子晶体建模。如果材料的介电常数与频率有关,则本征值问题变为非线性。在无损的情况下,线性化技术允许等效的重新制定为一个扩展的,但线性和厄米特本征值问题,它满足戈尔丁不等式。为此,已知的迭代计划的矩阵的情况下,如逆功率或Arnoldi方法扩展到无限维的情况下。我们证明了算子级的反幂法的收敛性,并考虑将其与自适应网格细化相结合,从而大大提高了计算速度。对于更一般的光子晶体,这是描述的Drude-Lorentz模型,我们提出了一个牛顿型迭代的直接应用。在假设一些先验知识的特征对的兴趣,我们证明了局部平方收敛的方法。最后,数值实验证实了本文的理论研究结果。
2019-11-30 cs.NA math.NA
A Greedy Algorithm for the Analysis Transform Domain
The Department of Electrical and Computer Engineering, Duke University(杜克大学电气与计算机工程系)
本文提出一种新的贪心算法,为帧作为分析算子提供理论恢复保证,解决了贪心与松弛技术间的差距,并在高维图像中展示了其高效性和有效性。
2015-02-07 cs.IT cs.NA math.IT
Finetuning greedy kernel models by exchange algorithms
Universität Hamburg(汉堡大学)
本文提出核交换算法KEA,结合节点插入与节点移除来微调贪心核代理模型,在不增加最终模型计算复杂度的前提下显著降低逼近误差。
2024-04-30 cs.LG cs.NA math.NA
Fast Subspace Approximation via Greedy Least-Squares
Michigan State University(密歇根州立大学);University of Göttingen(哥廷根大学)
本文提出了一种快速确定性降维技术,能够在O(n log M)维子空间中保证近似最佳拟合超平面的投影误差,且算法时间复杂度为O(MN²)或O(MNn)。
2013-12-05 cs.CG cs.NA math.NA
Exact Eigenvalues and Eigenvectors for Some n-Dimensional Matrices
本文为更广泛的$n$维非对称和非persymmetric矩阵推导了精确特征值与特征向量,扩展了解析方法,提升了物理与工程模拟的计算精度和效率。
2024-11-12 cs.NA math.NA math.SP
A Greedy Sensor Selection Algorithm for Hyperparameterized Linear Bayesian Inverse Problems
我们考虑一个确定性超参数的线性贝叶斯逆问题的家庭的最佳传感器配置。超参数描述了不同的配置,其中可以对所观察的物理系统进行测量。为了最佳地减少系统模型中的不确定性与一组传感器,初始传感器的位置需要考虑所有容许配置的非线性状态变化。我们通过可观测性系数来解决这一要求,该系数将后验不确定性直接与传感器的选择联系起来。我们提出了一个贪婪的传感器选择算法迭代提高可观测系数的所有配置,通过正交匹配追踪。该算法允许显式相关的噪声模型,即使是大的候选传感器集,并保持计算效率的高维前向模型,通过模型降阶。我们展示了我们的方法在珀斯盆地的大规模地球物理模型,并提供有关经典的最佳试验设计效用函数的最优性和可扩展性的数值研究。
2023-01-27 cs.CE cs.NA math.NA
Stochastic convergence of a class of greedy-type algorithms for Configuration Optimization Problems
本文提出了一种随机框架,用于分析贪心型算法在配置优化问题中的收敛性,并引入了随机多边形划分法以提高数值效率。
2026-01-08 cs.NA math.FA math.NA
The greedy side of the LASSO: New algorithms for weighted sparse recovery via loss function-based orthogonal matching pursuit
本文提出基于损失函数推广 OMP 的加权稀疏恢复贪婪算法,给出多种加权 LASSO 形式的显式选择规则,并通过实验验证其继承 SR-LASSO 与 LAD-LASSO 的优良特性。
2025-02-16 cs.IT cs.NA math.IT
Fast greedy algorithm for subspace clustering from corrupted and incomplete data
University of Georgia(佐治亚大学);Algosoft-Tech USA(美国Algosoft-Tech公司)
本文提出一种高效的子空间聚类算法FGSSC,能够处理高擦除率噪声数据,其聚类能力优于现有方法,计算成本略高但效率高。
2013-06-07 cs.DS cs.LG cs.NA