Buchumschlag

SDE approximations of GANs training and its long-run behavior

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cao, Haoyang, Guo, Xin
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Machine Learning Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Connecting GANs, MFGs, and OT
von: Cao, Haoyang, et al.
Veröffentlicht: (2020)

Single-seed generation of Brownian paths and integrals for adaptive and high order SDE solvers
von: Jelinčič, Andraž, et al.
Veröffentlicht: (2024)

On the quality of randomized approximations of Tukey's depth
von: Briend, Simon, et al.
Veröffentlicht: (2023)

Quantitative convergence of trained single layer neural networks to Gaussian processes
von: Mosig, Eloy, et al.
Veröffentlicht: (2025)

On the grid-sampling limit SDE
von: Bender, Christian, et al.
Veröffentlicht: (2024)

Universal approximation property of Banach space-valued random feature models including random neural networks
von: Neufeld, Ariel, et al.
Veröffentlicht: (2023)

Global universal approximation with Brownian signatures
von: Ceylan, Mihriban, et al.
Veröffentlicht: (2025)

Learning dynamical systems with hit-and-run random feature maps
von: Mandal, Pinak, et al.
Veröffentlicht: (2025)

Distributionally robust approximation property of neural networks
von: Ceylan, Mihriban, et al.
Veröffentlicht: (2025)

ODE approximation for the Adam algorithm: General and overparametrized setting
von: Dereich, Steffen, et al.
Veröffentlicht: (2025)

Universal approximation with signatures of non-geometric rough paths
von: Ceylan, Mihriban, et al.
Veröffentlicht: (2026)

Birth-death dynamics for sampling: Global convergence, approximations and their asymptotics
von: Lu, Yulong, et al.
Veröffentlicht: (2022)

Generative Modelling of Lévy Area for High Order SDE Simulation
von: Jelinčič, Andraž, et al.
Veröffentlicht: (2023)

A theoretical basis for model collapse in recursive training
von: Borkar, Vivek Shripad
Veröffentlicht: (2025)

Deep learning based numerical approximation algorithms for stochastic partial differential equations
von: Beck, Christian, et al.
Veröffentlicht: (2020)

Stochastic approximation in non-markovian environments revisited
von: Borkar, Vivek Shripad
Veröffentlicht: (2026)

Independent projections of diffusions: Gradient flows for variational inference and optimal mean field approximations
von: Lacker, Daniel
Veröffentlicht: (2023)

Correction to "Wasserstein distance estimates for the distributions of numerical approximations to ergodic stochastic differential equations"
von: Paulin, Daniel, et al.
Veröffentlicht: (2024)

Multilevel Picard approximations and deep neural networks with ReLU, leaky ReLU, and softplus activation overcome the curse of dimensionality when approximating semilinear parabolic partial differential equations in $L^p$-sense
von: Neufeld, Ariel, et al.
Veröffentlicht: (2024)

Generative diffusion models from a PDE perspective
von: Cao, Fei, et al.
Veröffentlicht: (2025)

Central Limit Theorem for Bayesian Neural Network trained with Variational Inference
von: Descours, Arnaud, et al.
Veröffentlicht: (2024)

On approximating the $f$-divergence between two Ising models
von: Feng, Weiming, et al.
Veröffentlicht: (2025)

Gaussian random field approximation via Stein's method with applications to wide random neural networks
von: Balasubramanian, Krishnakumar, et al.
Veröffentlicht: (2023)

Stochastic approximation in infinite dimensions
von: Karandikar, Rajeeva Laxman, et al.
Veröffentlicht: (2024)

Function approximation by neural nets in the mean-field regime: Entropic regularization and controlled McKean-Vlasov dynamics
von: Tzen, Belinda, et al.
Veröffentlicht: (2020)

An abstract effective convergence theorem for stochastic processes, with applications to stochastic approximation
von: Neri, Morenikeji, et al.
Veröffentlicht: (2025)

Convergence rates for gradient descent in the training of overparameterized artificial neural networks with piecewise affine activation
von: Jentzen, Arnulf, et al.
Veröffentlicht: (2021)

The Rate-Distortion-Perception-Classification Tradeoff: Joint Source Coding and Modulation via Inverse-Domain GANs
von: Fang, Junli, et al.
Veröffentlicht: (2023)

Optimal and instance-dependent guarantees for Markovian linear stochastic approximation
von: Mou, Wenlong, et al.
Veröffentlicht: (2021)

On Bellman equations for continuous-time policy evaluation I: discretization and approximation
von: Mou, Wenlong, et al.
Veröffentlicht: (2024)

Learning from the past: predicting critical transitions with machine learning trained on surrogates of historical data
von: Ma, Zhiqin, et al.
Veröffentlicht: (2024)

Data-driven approximation of transfer operators for mean-field stochastic differential equations
von: Ioannou, Eirini, et al.
Veröffentlicht: (2025)

Expansion and attraction of RDS: long time behavior of the solution to singular SDE
von: Ling, Chengcheng, et al.
Veröffentlicht: (2022)

Space-time deep neural network approximations for high-dimensional partial differential equations
von: Hornung, Fabian, et al.
Veröffentlicht: (2020)

Superposition unifies power-law training dynamics
von: Chen, Zixin Jessie, et al.
Veröffentlicht: (2026)

Strong solutions of SDE's with rough coefficients
von: Ustunel, Ali Suleyman
Veröffentlicht: (2025)

Large deviation principles for convolutional Bayesian neural networks
von: Bassetti, Federico, et al.
Veröffentlicht: (2026)

Stochastic Port-Hamiltonian Neural Networks: Universal Approximation with Passivity Guarantees
von: Di Persio, Luca, et al.
Veröffentlicht: (2026)

Batch normalization does not improve initialization
von: Dannemann, Joris, et al.
Veröffentlicht: (2025)

On the Nonconvexity of Push-Forward Constraints and Its Consequences in Machine Learning
von: de Lara, Lucas, et al.
Veröffentlicht: (2024)