Buchumschlag

On the Lipschitz Constant of Deep Networks and Double Descent

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gamba, Matteo, Azizpour, Hossein, Björkman, Mårten
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Improving Adversarial Robustness of Attribution via Implicit Regularization
von: Mehrpanah, Amir, et al.
Veröffentlicht: (2026)

On the Complexity-Faithfulness Trade-off of Gradient-Based Explanations
von: Mehrpanah, Amir, et al.
Veröffentlicht: (2025)

Chordal Sparsity for Lipschitz Constant Estimation of Deep Neural Networks
von: Xue, Anton, et al.
Veröffentlicht: (2022)

Revisiting Score Function Estimators for $k$-Subset Sampling
von: Wijk, Klas, et al.
Veröffentlicht: (2024)

ECLipsE: Efficient Compositional Lipschitz Constant Estimation for Deep Neural Networks
von: Xu, Yuezhu, et al.
Veröffentlicht: (2024)

Training Transformers with Enforced Lipschitz Constants
von: Newhouse, Laker, et al.
Veröffentlicht: (2025)

Hessian-Informed Flow Matching
von: Sprague, Christopher Iliffe, et al.
Veröffentlicht: (2024)

On The Presence of Double-Descent in Deep Reinforcement Learning
von: Veselý, Viktor, et al.
Veröffentlicht: (2025)

Step by Step: Adaptive Gradient Descent for Training L-Lipschitz Neural Networks
von: Sung, Kyle, et al.
Veröffentlicht: (2025)

Lipschitz Constant Meets Condition Number: Learning Robust and Compact Deep Neural Networks
von: Feng, Yangqi, et al.
Veröffentlicht: (2025)

Energy-Based Flow Matching for Generating 3D Molecular Structure
von: Zhou, Wenyin, et al.
Veröffentlicht: (2025)

Class-wise Activation Unravelling the Engima of Deep Double Descent
von: Gu, Yufei
Veröffentlicht: (2024)

Can Transformers Smell Like Humans?
von: Taleb, Farzaneh, et al.
Veröffentlicht: (2024)

Adaptive Node Feature Selection For Graph Neural Networks
von: Navarro, Madeline, et al.
Veröffentlicht: (2025)

On Spectral Properties of Gradient-based Explanation Methods
von: Mehrpanah, Amir, et al.
Veröffentlicht: (2025)

Stable Autonomous Flow Matching
von: Sprague, Christopher Iliffe, et al.
Veröffentlicht: (2024)

Understanding the Double Descent Phenomenon in Deep Learning
von: Lafon, Marc, et al.
Veröffentlicht: (2024)

Bayesian Double Descent
von: Polson, Nick, et al.
Veröffentlicht: (2025)

Reducing Variance in Meta-Learning via Laplace Approximation for Regression Tasks
von: Reichlin, Alfredo, et al.
Veröffentlicht: (2024)

Manipulating Sparse Double Descent
von: Zhang, Ya Shi
Veröffentlicht: (2024)

Budget Allocation for Unknown Value Functions in a Lipschitz Space
von: Bateni, MohammadHossein, et al.
Veröffentlicht: (2025)

Estimating Neural Network Robustness via Lipschitz Constant and Architecture Sensitivity
von: Abuduweili, Abulikemu, et al.
Veröffentlicht: (2024)

ExLipBaB: Exact Lipschitz Constant Computation for Piecewise Linear Neural Networks
von: Splittgerber, Tom A.
Veröffentlicht: (2026)

On the Theory of Continual Learning with Gradient Descent for Neural Networks
von: Taheri, Hossein, et al.
Veröffentlicht: (2025)

The Double Descent Behavior in Two Layer Neural Network for Binary Classification
von: Abeykoon, Chathurika S, et al.
Veröffentlicht: (2025)

Inverse problems with diffusion models: MAP estimation via mode-seeking loss
von: Gutha, Sai Bharath Chandra, et al.
Veröffentlicht: (2025)

Inverse Problems with Diffusion Models: A MAP Estimation Perspective
von: Gutha, Sai Bharath Chandra, et al.
Veröffentlicht: (2024)

LDLT $\mathcal{L}$-Lipschitz Network: Generalized Deep End-To-End Lipschitz Network Construction
von: Juston, Marius F. R., et al.
Veröffentlicht: (2025)

Dropout Drops Double Descent
von: Yang, Tian-Le, et al.
Veröffentlicht: (2023)

Variational Stochastic Gradient Descent for Deep Neural Networks
von: Chen, Haotian, et al.
Veröffentlicht: (2024)

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

Curvature Tuning: Provable Training-free Model Steering From a Single Parameter
von: Hu, Leyang, et al.
Veröffentlicht: (2025)

Learning Rate Optimization for Deep Neural Networks Using Lipschitz Bandits
von: Priyanka, Padma, et al.
Veröffentlicht: (2024)

FlexiFlow: decomposable flow matching for generation of flexible molecular ensemble
von: Tedoldi, Riccardo, et al.
Veröffentlicht: (2025)

Towards Sim-to-Real Industrial Parts Classification with Synthetic Dataset
von: Zhu, Xiaomeng, et al.
Veröffentlicht: (2024)

Model-Driven Graph Contrastive Learning
von: Azizpour, Ali, et al.
Veröffentlicht: (2025)

Scalable Implicit Graphon Learning
von: Azizpour, Ali, et al.
Veröffentlicht: (2024)

An Efficient Global Optimization Algorithm with Adaptive Estimates of the Local Lipschitz Constants
von: D'Agostino, Danny
Veröffentlicht: (2022)

Stochastic Gradient Descent in the Saddle-to-Saddle Regime of Deep Linear Networks
von: Corlouer, Guillaume, et al.
Veröffentlicht: (2026)

DSD$^2$: Can We Dodge Sparse Double Descent and Compress the Neural Network Worry-Free?
von: Quétu, Victor, et al.
Veröffentlicht: (2023)