Buchumschlag

Finite-time Lyapunov exponents of deep neural networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Storm, L., Linander, H., Bec, J., Gustavsson, K., Mehlig, B.
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

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

Computing frustration and near-monotonicity in deep neural networks
von: Wendin, Joel, 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)

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

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

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

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

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

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

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

Training neural networks with structured noise improves classification and generalization
von: Benedetti, Marco, et al.
Veröffentlicht: (2023)

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

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

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

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

Dynamic neuron approach to deep neural networks: Decoupling neurons for renormalization group analysis
von: Lee, Donghee, et al.
Veröffentlicht: (2024)

Universal characteristics of deep neural network loss surfaces from random matrix theory
von: Baskerville, Nicholas P, 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)

Weight fluctuations in (deep) linear neural networks and a derivation of the inverse-variance flatness relation
von: Gross, Markus, et al.
Veröffentlicht: (2023)

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)

Fundamental limits of learning in sequence multi-index models and deep attention networks: High-dimensional asymptotics and sharp thresholds
von: Troiani, Emanuele, et al.
Veröffentlicht: (2025)

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

Critical feature learning in deep neural networks
von: Fischer, Kirsten, et al.
Veröffentlicht: (2024)

Improving deep neural network performance through sampling
von: Ghantasala, Lakshmi A., et al.
Veröffentlicht: (2025)

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

Applying statistical learning theory to deep learning
von: Gerbelot, Cédric, et al.
Veröffentlicht: (2023)

Hyperbolic recurrent neural network as the first type of non-Euclidean neural quantum state ansatz
von: Dao, H. L.
Veröffentlicht: (2025)

Arbitrage equilibrium and the emergence of universal microstructure in deep neural networks
von: Venkatasubramanian, Venkat, et al.
Veröffentlicht: (2024)

Divergent density of states and non-analytic Lyapunov exponent in one-dimensional slowly varying systems
von: Hu, Hai-Tao, et al.
Veröffentlicht: (2025)

DCEM: A deep complementary energy method for solid mechanics
von: Wang, Yizheng, et al.
Veröffentlicht: (2023)

High-dimensional dynamical systems: co-existence of attractors, phase transitions, maximal Lyapunov exponent and response to periodic drive
von: Fournier, Samantha J., et al.
Veröffentlicht: (2025)

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

A simple theory for training response of deep neural networks
von: Nakazato, Kenichi
Veröffentlicht: (2024)

Opening the Black Box: predicting the trainability of deep neural networks with reconstruction entropy
von: Thurn, Yanick, et al.
Veröffentlicht: (2024)

Renormalization group for deep neural networks: Universality of learning and scaling laws
von: Coppola, Gorka Peraza, et al.
Veröffentlicht: (2025)

Finite-size scaling of hetero-associative retrieval in continuous-signal-driven Ising spin systems
von: Ladiana, Andrea
Veröffentlicht: (2026)

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)