Buchumschlag

The Common Intuition to Transfer Learning Can Win or Lose: Case Studies for Linear Regression

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dar, Yehuda, LeJeune, Daniel, Baraniuk, Richard G.
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Transfer Learning of Linear Regression with Multiple Pretrained Models: Benefiting from More Pretrained Models via Overparameterization Debiasing
von: Boharon, Daniel, et al.
Veröffentlicht: (2026)

Asymptotically free sketched ridge ensembles: Risks, cross-validation, and tuning
von: Patil, Pratik, et al.
Veröffentlicht: (2023)

An Adaptive Tangent Feature Perspective of Neural Networks
von: LeJeune, Daniel, et al.
Veröffentlicht: (2023)

Double Descent and Other Interpolation Phenomena in GANs
von: Luzi, Lorenzo, et al.
Veröffentlicht: (2021)

Fine-grained Analysis and Faster Algorithms for Iteratively Solving Linear Systems
von: Dereziński, Michał, et al.
Veröffentlicht: (2024)

TL-PCA: Transfer Learning of Principal Component Analysis
von: Hendy, Sharon, et al.
Veröffentlicht: (2024)

RandALO: Out-of-sample risk estimation in no time flat
von: Nobel, Parth, et al.
Veröffentlicht: (2024)

Mixture of Many Zero-Compute Experts: A High-Rate Quantization Theory Perspective
von: Dar, Yehuda
Veröffentlicht: (2025)

How Do the Architecture and Optimizer Affect Representation Learning? On the Training Dynamics of Representations in Deep Neural Networks
von: Sharon, Yuval, et al.
Veröffentlicht: (2024)

How Does Overparameterization Affect Machine Unlearning of Deep Neural Networks?
von: Alon, Gal, et al.
Veröffentlicht: (2025)

How Much Training Data is Memorized in Overparameterized Autoencoders? An Inverse Problem Perspective on Memorization Evaluation
von: Abitbul, Koren, et al.
Veröffentlicht: (2023)

The Linear Centroids Hypothesis: Features as Directions Learned by Local Experts
von: Walker, Thomas, et al.
Veröffentlicht: (2026)

MazeNet: An Accurate, Fast, and Scalable Deep Learning Solution for Steiner Minimum Trees
von: Ramos, Gabriel Díaz, et al.
Veröffentlicht: (2024)

Automatic Cross-Domain Transfer Learning for Linear Regression
von: Liu, Xinshun, et al.
Veröffentlicht: (2020)

Expectation Error Bounds for Transfer Learning in Linear Regression and Linear Neural Networks
von: Liu, Meitong, et al.
Veröffentlicht: (2026)

Coefficient Shape Transfer Learning for Functional Linear Regression
von: Jiao, Shuhao, et al.
Veröffentlicht: (2025)

Unified Transfer Learning Models in High-Dimensional Linear Regression
von: Liu, Shuo Shuo
Veröffentlicht: (2023)

Transfer Learning for Benign Overfitting in High-Dimensional Linear Regression
von: Kim, Yeichan, et al.
Veröffentlicht: (2025)

Not All Synthetic Data Is Yours to Learn From
von: Alemohammad, Sina, et al.
Veröffentlicht: (2026)

Neon: Negative Extrapolation From Self-Training Improves Image Generation
von: Alemohammad, Sina, et al.
Veröffentlicht: (2025)

Win Fast or Lose Slow: Balancing Speed and Accuracy in Latency-Sensitive Decisions of LLMs
von: Kang, Hao, et al.
Veröffentlicht: (2025)

Post-Transfer Learning Statistical Inference in High-Dimensional Regression
von: Tam, Nguyen Vu Khai, et al.
Veröffentlicht: (2025)

Synthetic Context Generation for Question Generation
von: Liu, Naiming, et al.
Veröffentlicht: (2024)

Circuit Complexity of Hierarchical Knowledge Tracing and Implications for Log-Precision Transformers
von: Liu, Naiming, et al.
Veröffentlicht: (2026)

How Transformers Utilize Multi-Head Attention in In-Context Learning? A Case Study on Sparse Linear Regression
von: Chen, Xingwu, et al.
Veröffentlicht: (2024)

On the Geometry of Deep Learning
von: Balestriero, Randall, et al.
Veröffentlicht: (2024)

The Geometric Structure of Models Learning Sparse Data
von: Walker, Thomas, et al.
Veröffentlicht: (2026)

mini-vec2vec: Scaling Universal Geometry Alignment with Linear Transformations
von: Dar, Guy
Veröffentlicht: (2025)

Improving Routing in Sparse Mixture of Experts with Graph of Tokens
von: Nguyen, Tam, et al.
Veröffentlicht: (2025)

[Re] The Discriminative Kalman Filter for Bayesian Filtering with Nonlinear and Non-Gaussian Observation Models
von: Casco-Rodriguez, Josue, et al.
Veröffentlicht: (2024)

TITAN: Bringing The Deep Image Prior to Implicit Representations
von: Luzi, Lorenzo, et al.
Veröffentlicht: (2022)

Understanding SGD with Exponential Moving Average: A Case Study in Linear Regression
von: Li, Xuheng, et al.
Veröffentlicht: (2025)

GrokAlign: Geometric Characterisation and Acceleration of Grokking
von: Walker, Thomas, et al.
Veröffentlicht: (2025)

Formulating human risk response in epidemic models: exogenous vs endogenous approaches
von: LeJeune, Leah, et al.
Veröffentlicht: (2024)

Understanding Forgetting in Continual Learning with Linear Regression
von: Ding, Meng, et al.
Veröffentlicht: (2024)

Transfer Learning for Kernel-based Regression
von: Wang, Chao, et al.
Veröffentlicht: (2023)

Minimizing Collateral Damage in Activation Steering
von: Nguyen, Tam, et al.
Veröffentlicht: (2026)

ODE-Constrained Generative Modeling of Cardiac Dynamics for 12-Lead ECG Synthesis
von: Yehuda, Yakir, et al.
Veröffentlicht: (2024)

W4S4: WaLRUS Meets S4 for Long-Range Sequence Modeling
von: Babaei, Hossein, et al.
Veröffentlicht: (2025)

Leakage and Second-Order Dynamics Improve Hippocampal RNN Replay
von: Casco-Rodriguez, Josue, et al.
Veröffentlicht: (2026)