ICML

PINNfluence: Interpreting PINNs through Influence Functions

PINNfluence: 通过影响函数解释 PINN

Aleksander Krasowski, Jonas R. Naujoks, Moritz Weckbecker, Galip Ü. Yolcu, Thomas Wiegand, Sebastian Lapuschkin, Wojciech Samek, René P. Klausen

机构 * Technical University of Munich（慕尼黑技术大学） ； Max Planck Institute for Intelligent Systems（智能系统马克斯·普朗克研究所） ； University of Tübingen（图宾根大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出 PINNfluence 框架，基于影响函数对物理信息神经网络进行训练数据归因，实现预测、损失分量和训练数据点之间的细粒度归因，并通过基准实验区分训练好与差的 PINN 的结构特征。

Comments Accepted at ICML 2026

Efficient Dimensionality Reduction for Canonical Correlation Analysis

典型相关分析的高效降维方法

Haim Avron, Christos Boutsidis, Sivan Toledo, Anastasios Zouzias

AI总结 提出一种基于随机降维变换的快速近似典型相关分析算法，在保证精度的同时显著降低计算复杂度。

Comments 22 pages. 4 figures. To appear in ICML 2013: The 30th International Conference on Machine Learning

Agnostic System Identification for Model-Based Reinforcement Learning

基于模型的强化学习的不可知系统辨识

Stephane Ross, J. Andrew Bagnell

AI总结 针对模型类可能不包含真实系统的不可知情况，提出一种利用无遗憾在线学习算法获得近优策略的迭代方法，并在离散和连续域上验证其有效性。

Comments 8 pages, published in ICML 2012

Estimation of Simultaneously Sparse and Low Rank Matrices

同时稀疏和低秩矩阵的估计

Emile Richard, Pierre-Andre Savalle, Nicolas Vayatis

AI总结 本文提出一种凸混合惩罚方法，同时使用ℓ1范数和迹范数，以估计同时稀疏和低秩的矩阵，并推导了预言不等式和链接预测的泛化误差界，通过近端下降算法高效求解。

Comments Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)

A Combinatorial Algebraic Approach for the Identifiability of Low-Rank Matrix Completion

低秩矩阵完备可辨识性的组合代数方法

Franz Kiraly, Ryota Tomioka

AI总结 本文通过组合代数方法，首次给出了任意秩矩阵从一组矩阵条目中可辨识的充要组合条件，并提出了新算法。

Comments Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)