cXGBoost用于预测参数化POD基
热点事件持续更新
cXGBoost用于预测参数化POD基
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
研究人员提出约束极端梯度提升方法 cXGBoost，用于根据给定参数预测 POD 基；论文报告称，在圆柱尾流、Kolmogorov 流、Kuramoto-Sivashinsky 方程和受迫梁四个问题上，该方法的平均重构误差低于投影高斯过程和 Grassmann 插值。
AI 根据报道生成 · 54 分钟前更新
最新进展10月28日 12:00
用于参数化 Proper Orthogonal Decomposition 子空间预测的约束极端梯度提升 cXGBoost报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine Learning用于参数化 Proper Orthogonal Decomposition 子空间预测的约束极端梯度提升 cXGBoost
研究提出约束极端梯度提升 cXGBoost，用于根据参数设置预测 Proper Orthogonal Decomposition（POD）基，以适应参数变化下的投影式降阶模型。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。