Buchumschlag

When To Grow? A Fitting Risk-Aware Policy for Layer Growing in Deep Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Haihang, Wang, Wei, Malepathirana, Tamasha, Senanayake, Damith, Oetomo, Denny, Halgamuge, Saman
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TT-MPD: Test Time Model Pruning and Distillation
von: Wu, Haihang, et al.
Veröffentlicht: (2024)

GINN-LP: A Growing Interpretable Neural Network for Discovering Multivariate Laurent Polynomial Equations
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2023)

Graph-Eq: Discovering Mathematical Equations using Graph Generative Models
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2025)

FRAME-C: A knowledge-augmented deep learning pipeline for classifying multi-electrode array electrophysiological signals
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2025)

Day-ahead regional solar power forecasting with hierarchical temporal convolutional neural networks using historical power generation and weather data
von: Perera, Maneesha, et al.
Veröffentlicht: (2024)

Arch-VQ: Discrete Architecture Representation Learning with Autoregressive Priors
von: Poddenige, Deshani Geethika, et al.
Veröffentlicht: (2025)

Growing with Experience: Growing Neural Networks in Deep Reinforcement Learning
von: Fehring, Lukas, et al.
Veröffentlicht: (2025)

Invariant-Stratified Propagation for Expressive Graph Neural Networks
von: Hevapathige, Asela, et al.
Veröffentlicht: (2026)

GINN-KAN: Interpretability pipelining with applications in Physics Informed Neural Networks
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2024)

Data Classification with Dynamically Growing and Shrinking Neural Networks
von: Świderski, Szymon, et al.
Veröffentlicht: (2025)

From Specification to Architecture: A Theory Compiler for Knowledge-Guided Machine Learning
von: Hevapathige, Asela, et al.
Veröffentlicht: (2026)

Growing Efficient Accurate and Robust Neural Networks on the Edge
von: Sundaresha, Vignesh, et al.
Veröffentlicht: (2024)

Growing a Neural Network in Breadth, Depth, and Time
von: Butkus, Eivinas, et al.
Veröffentlicht: (2026)

Growing Networks with Autonomous Pruning
von: De Lambilly, Charles, et al.
Veröffentlicht: (2026)

Growing Neural Networks: Dynamic Evolution through Gradient Descent
von: Radhakrishnan, Anil, et al.
Veröffentlicht: (2025)

Landscape-Aware Growing: The Power of a Little LAG
von: Karp, Stefani, et al.
Veröffentlicht: (2024)

Growing Winning Subnetworks, Not Pruning Them: A Paradigm for Density Discovery in Sparse Neural Networks
von: Yao, Qihang, et al.
Veröffentlicht: (2025)

StaQ it! Growing neural networks for Policy Mirror Descent
von: Shilova, Alena, et al.
Veröffentlicht: (2025)

A Forget-and-Grow Strategy for Deep Reinforcement Learning Scaling in Continuous Control
von: Kang, Zilin, et al.
Veröffentlicht: (2025)

Causal Models for Growing Networks
von: Bravo-Hermsdorff, Gecia, et al.
Veröffentlicht: (2025)

Rethinking Time Series Forecasting with LLMs via Nearest Neighbor Contrastive Learning
von: Bogahawatte, Jayanie, et al.
Veröffentlicht: (2024)

MorphGrower: A Synchronized Layer-by-layer Growing Approach for Plausible Neuronal Morphology Generation
von: Yang, Nianzu, et al.
Veröffentlicht: (2024)

Adaptive Data Analysis for Growing Data
von: Marchant, Neil G., et al.
Veröffentlicht: (2024)

Agentic Learner with Grow-and-Refine Multimodal Semantic Memory
von: Bo, Weihao, et al.
Veröffentlicht: (2025)

Growing Transformers: Modular Composition and Layer-wise Expansion on a Frozen Substrate
von: Bochkov, A.
Veröffentlicht: (2025)

Self-Motivated Growing Neural Network for Adaptive Architecture via Local Structural Plasticity
von: Jia, Yiyang, et al.
Veröffentlicht: (2025)

AniFaceDiff: Animating Stylized Avatars via Parametric Conditioned Diffusion Models
von: Chen, Ken, et al.
Veröffentlicht: (2024)

Model Zoo: A Growing "Brain" That Learns Continually
von: Ramesh, Rahul, et al.
Veröffentlicht: (2021)

Distributed solar generation forecasting using attention-based deep neural networks for cloud movement prediction
von: Perera, Maneesha, et al.
Veröffentlicht: (2024)

An Integrated Approach to Neural Architecture Search for Deep Q-Networks
von: Rahmani, Iman, et al.
Veröffentlicht: (2025)

Memory Caching: RNNs with Growing Memory
von: Behrouz, Ali, et al.
Veröffentlicht: (2026)

Growing the Efficient Frontier on Panel Trees
von: Cong, Lin William, et al.
Veröffentlicht: (2025)

When Do Transformers Outperform Feedforward and Recurrent Networks? A Statistical Perspective
von: Mousavi-Hosseini, Alireza, et al.
Veröffentlicht: (2025)

The Growing Pains of Frontier Models: When Leaderboards Stop Separating and What to Measure Next
von: Amin, Adil
Veröffentlicht: (2026)

Grow, Don't Overwrite: Fine-tuning Without Forgetting
von: Adila, Dyah, et al.
Veröffentlicht: (2026)

Propagation of Chaos in One-hidden-layer Neural Networks beyond Logarithmic Time
von: Glasgow, Margalit, et al.
Veröffentlicht: (2025)

Towards Adaptive Deep Learning: Model Elasticity via Prune-and-Grow CNN Architectures
von: Mangal, Pooja, et al.
Veröffentlicht: (2025)

Always-Sparse Training by Growing Connections with Guided Stochastic Exploration
von: Heddes, Mike, et al.
Veröffentlicht: (2024)

CDFGNN: a Systematic Design of Cache-based Distributed Full-Batch Graph Neural Network Training with Communication Reduction
von: Zhang, Shuai, et al.
Veröffentlicht: (2024)

Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution
von: Seyde, Tim, et al.
Veröffentlicht: (2024)