Buchumschlag

Analysis of learning a flow-based generative model from limited sample complexity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cui, Hugo, Krzakala, Florent, Vanden-Eijnden, Eric, Zdeborová, Lenka
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

A phase transition between positional and semantic learning in a solvable model of dot-product attention
von: Cui, Hugo, et al.
Veröffentlicht: (2024)

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)

Fundamental limits of Non-Linear Low-Rank Matrix Estimation
von: Mergny, Pierre, et al.
Veröffentlicht: (2024)

Learning with Restricted Boltzmann Machines: Asymptotics of AMP and GD in High Dimensions
von: Xu, Yizhou, et al.
Veröffentlicht: (2025)

Computational Thresholds in Multi-Modal Learning via the Spiked Matrix-Tensor Model
von: Tabanelli, Hugo, et al.
Veröffentlicht: (2025)

Sampling with flows, diffusion and autoregressive neural networks: A spin-glass perspective
von: Ghio, Davide, et al.
Veröffentlicht: (2023)

The Computational Advantage of Depth: Learning High-Dimensional Hierarchical Functions with Gradient Descent
von: Dandi, Yatin, et al.
Veröffentlicht: (2025)

Bayes-optimal learning of an extensive-width neural network from quadratically many samples
von: Maillard, Antoine, et al.
Veröffentlicht: (2024)

Universality laws for Gaussian mixtures in generalized linear models
von: Dandi, Yatin, et al.
Veröffentlicht: (2023)

The Nuclear Route: Sharp Asymptotics of ERM in Overparameterized Quadratic Networks
von: Erba, Vittorio, et al.
Veröffentlicht: (2025)

Fundamental computational limits of weak learnability in high-dimensional multi-index models
von: Troiani, Emanuele, et al.
Veröffentlicht: (2024)

Fundamental Limits of Matrix Sensing: Exact Asymptotics, Universality, and Applications
von: Xu, Yizhou, et al.
Veröffentlicht: (2025)

Asymptotics of feature learning in two-layer networks after one gradient-step
von: Cui, Hugo, et al.
Veröffentlicht: (2024)

Model-free learning of probability flows: Elucidating the nonequilibrium dynamics of flocking
von: Boffi, Nicholas M., et al.
Veröffentlicht: (2024)

Asymptotics of SGD in Sequence-Single Index Models and Single-Layer Attention Networks
von: Arnaboldi, Luca, et al.
Veröffentlicht: (2025)

Rigorous dynamical mean field theory for stochastic gradient descent methods
von: Gerbelot, Cedric, et al.
Veröffentlicht: (2022)

High-dimensional Asymptotics of Denoising Autoencoders
von: Cui, Hugo, et al.
Veröffentlicht: (2023)

Analysis of Bootstrap and Subsampling in High-dimensional Regularized Regression
von: Clarté, Lucas, et al.
Veröffentlicht: (2024)

The committee machine: Computational to statistical gaps in learning a two-layers neural network
von: Aubin, Benjamin, et al.
Veröffentlicht: (2018)

The Benefits of Reusing Batches for Gradient Descent in Two-Layer Networks: Breaking the Curse of Information and Leap Exponents
von: Dandi, Yatin, et al.
Veröffentlicht: (2024)

Deep learning probability flows and entropy production rates in active matter
von: Boffi, Nicholas M., et al.
Veröffentlicht: (2023)

Gaussian Universality of Perceptrons with Random Labels
von: Gerace, Federica, et al.
Veröffentlicht: (2022)

Optimal thresholds and algorithms for a model of multi-modal learning in high dimensions
von: Keup, Christian, et al.
Veröffentlicht: (2024)

How to build a consistency model: Learning flow maps via self-distillation
von: Boffi, Nicholas M., et al.
Veröffentlicht: (2025)

Single-Head Attention in High Dimensions: A Theory of Generalization, Weights Spectra, and Scaling Laws
von: Boncoraglio, Fabrizio, et al.
Veröffentlicht: (2025)

Scale-Adaptive Generative Flows for Multiscale Scientific Data
von: Chen, Yifan, et al.
Veröffentlicht: (2025)

Variational Optimality of Föllmer Processes in Generative Diffusions
von: Chen, Yifan, et al.
Veröffentlicht: (2026)

NETS: A Non-Equilibrium Transport Sampler
von: Albergo, Michael S., et al.
Veröffentlicht: (2024)

Quenches in the Sherrington-Kirkpatrick model
von: Erba, Vittorio, et al.
Veröffentlicht: (2024)

Multitask Learning with Stochastic Interpolants
von: Negrel, Hugo, et al.
Veröffentlicht: (2025)

Flow map matching with stochastic interpolants: A mathematical framework for consistency models
von: Boffi, Nicholas M., et al.
Veröffentlicht: (2024)

Dataset distillation for memorized data: Soft labels can leak held-out teacher knowledge
von: Behrens, Freya, et al.
Veröffentlicht: (2025)

Optimal scaling laws in learning hierarchical multi-index models
von: Defilippis, Leonardo, et al.
Veröffentlicht: (2026)

Lipschitz-Guided Design of Interpolation Schedules in Generative Models
von: Chen, Yifan, et al.
Veröffentlicht: (2025)

An Efficient On-Policy Deep Learning Framework for Stochastic Optimal Control
von: Hua, Mengjian, et al.
Veröffentlicht: (2024)

Neural Galerkin Schemes with Active Learning for High-Dimensional Evolution Equations
von: Bruna, Joan, et al.
Veröffentlicht: (2022)

Escaping mediocrity: how two-layer networks learn hard generalized linear models with SGD
von: Arnaboldi, Luca, et al.
Veröffentlicht: (2023)

Scaling Laws and Spectra of Shallow Neural Networks in the Feature Learning Regime
von: Defilippis, Leonardo, et al.
Veröffentlicht: (2025)

Bayes optimal learning of attention-indexed models
von: Boncoraglio, Fabrizio, et al.
Veröffentlicht: (2025)

Simulation-Free Differential Dynamics through Neural Conservation Laws
von: Hua, Mengjian, et al.
Veröffentlicht: (2025)