Buchumschlag

Training neural networks with structured noise improves classification and generalization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Benedetti, Marco, Ventura, Enrico
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Disordered Systems and Neural Networks Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Demolition and Reinforcement of Memories in Spin-Glass-like Neural Networks
von: Ventura, Enrico
Veröffentlicht: (2024)

Boundary between noise and information applied to filtering neural network weight matrices
von: Staats, Max, et al.
Veröffentlicht: (2022)

Properties of the geometry of solutions and capacity of multi-layer neural networks with Rectified Linear Units activations
von: Baldassi, Carlo, et al.
Veröffentlicht: (2019)

Coding schemes in neural networks learning classification tasks
von: van Meegen, Alexander, et al.
Veröffentlicht: (2024)

Emergence of Distortions in High-Dimensional Guided Diffusion Models
von: Ventura, Enrico, et al.
Veröffentlicht: (2026)

Exact full-RSB SAT/UNSAT transition in infinitely wide two-layer neural networks
von: Annesi, Brandon L., et al.
Veröffentlicht: (2024)

Emergent weight morphologies in deep neural networks
von: de Jong, Pascal, et al.
Veröffentlicht: (2025)

High-dimensional learning of narrow neural networks
von: Cui, Hugo
Veröffentlicht: (2024)

Theory of Speciation Transitions in Diffusion Models with General Class Structure
von: Achilli, Beatrice, et al.
Veröffentlicht: (2026)

Deep neural networks from the perspective of ergodic theory
von: Zhang, Fan
Veröffentlicht: (2023)

Finite-time Lyapunov exponents of deep neural networks
von: Storm, L., et al.
Veröffentlicht: (2023)

Supervised and Unsupervised protocols for hetero-associative neural networks
von: Alessandrelli, Andrea, et al.
Veröffentlicht: (2025)

Computing frustration and near-monotonicity in deep neural networks
von: Wendin, Joel, et al.
Veröffentlicht: (2025)

The Interplay of Data Structure and Imbalance in the Learning Dynamics of Diffusion Models
von: Nicoletti, Flavio, et al.
Veröffentlicht: (2026)

How does training shape the Riemannian geometry of neural network representations?
von: Zavatone-Veth, Jacob A., et al.
Veröffentlicht: (2023)

High-dimensional manifold of solutions in neural networks: insights from statistical physics
von: Malatesta, Enrico M.
Veröffentlicht: (2023)

The twin peaks of learning neural networks
von: Demyanenko, Elizaveta, et al.
Veröffentlicht: (2024)

Adaptive kernel predictors from feature-learning infinite limits of neural networks
von: Lauditi, Clarissa, et al.
Veröffentlicht: (2025)

Learning and Unlearning: Bridging classification, memory and generative modeling in Recurrent Neural Networks
von: Ventura, Enrico
Veröffentlicht: (2024)

Homophily modulates double descent generalization in graph convolution networks
von: Shi, Cheng, et al.
Veröffentlicht: (2022)

Statistical physics analysis of graph neural networks: Approaching optimality in the contextual stochastic block model
von: Duranthon, O., et al.
Veröffentlicht: (2025)

Implicit bias produces neural scaling laws in learning curves, from perceptrons to deep networks
von: D'Amico, Francesco, et al.
Veröffentlicht: (2025)

How noise affects memory in linear recurrent networks
von: Guan, JingChuan, et al.
Veröffentlicht: (2024)

Asymptotic generalization error of a single-layer graph convolutional network
von: Duranthon, O., et al.
Veröffentlicht: (2024)

Solution space and storage capacity of fully connected two-layer neural networks with generic activation functions
von: Nishiyama, Sota, et al.
Veröffentlicht: (2024)

Sharp description of local minima in the loss landscape of high-dimensional two-layer ReLU neural networks
von: Huang, Jie, et al.
Veröffentlicht: (2026)

Towards a theory of how the structure of language is acquired by deep neural networks
von: Cagnetta, Francesco, et al.
Veröffentlicht: (2024)

Pruning-induced phases in fully-connected neural networks: the eumentia, the dementia, and the amentia
von: Pan, Haining, et al.
Veröffentlicht: (2026)

Random Features Hopfield Networks generalize retrieval to previously unseen examples
von: Kalaj, Silvio, et al.
Veröffentlicht: (2024)

Non-equilibrium active noise enhances generative memory in diffusion models
von: Behera, Agnish Kumar, et al.
Veröffentlicht: (2024)

Restoring balance: principled under/oversampling of data for optimal classification
von: Loffredo, Emanuele, et al.
Veröffentlicht: (2024)

A solvable high-dimensional model where nonlinear autoencoders learn structure invisible to PCA while test loss misaligns with generalization
von: Mendes, Vicente Conde, et al.
Veröffentlicht: (2026)

New non-Euclidean neural quantum states from additional types of hyperbolic recurrent neural networks
von: Dao, H. L.
Veröffentlicht: (2026)

When resampling/reweighting improves feature learning in imbalanced classification?: A toy-model study
von: Obuchi, Tomoyuki, et al.
Veröffentlicht: (2024)

Spring-block theory of feature learning in deep neural networks
von: Shi, Cheng, et al.
Veröffentlicht: (2024)

What can we learn from quantum convolutional neural networks?
von: Umeano, Chukwudubem, et al.
Veröffentlicht: (2023)

On the role of non-linear latent features in bipartite generative neural networks
von: Bonnaire, Tony, et al.
Veröffentlicht: (2025)

A universal approximation theorem for nonlinear resistive networks
von: Scellier, Benjamin, et al.
Veröffentlicht: (2023)

To grok or not to grok: Disentangling generalization and memorization on corrupted algorithmic datasets
von: Doshi, Darshil, et al.
Veröffentlicht: (2023)

Grokking as the Transition from Lazy to Rich Training Dynamics
von: Kumar, Tanishq, et al.
Veröffentlicht: (2023)