Buchumschlag

Can overfitted deep neural networks in adversarial training generalize? -- An approximation viewpoint

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shi, Zhongjie, Liu, Fanghui, Cao, Yuan, Suykens, Johan A. K.
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

Nonlinear functional regression by functional deep neural network with kernel embedding
von: Shi, Zhongjie, et al.
Veröffentlicht: (2024)

On robust overfitting: adversarial training induced distribution matters
von: Tian, Runzhi, et al.
Veröffentlicht: (2023)

Wasserstein distributional adversarial training for deep neural networks
von: Bai, Xingjian, et al.
Veröffentlicht: (2025)

Power side-channel leakage localization through adversarial training of deep neural networks
von: Gammell, Jimmy, et al.
Veröffentlicht: (2024)

Efficient local linearity regularization to overcome catastrophic overfitting
von: Rocamora, Elias Abad, et al.
Veröffentlicht: (2024)

Robust NAS under adversarial training: benchmark, theory, and beyond
von: Wu, Yongtao, et al.
Veröffentlicht: (2024)

SolNet: Open-source deep learning models for photovoltaic power forecasting across the globe
von: Depoortere, Joris, et al.
Veröffentlicht: (2024)

Are classical deep neural networks weakly adversarially robust?
von: Sun, Nuolin, et al.
Veröffentlicht: (2025)

Benign overfitting in Fixed Dimension via Physics-Informed Learning with Smooth Inductive Bias
von: Wong, Honam, et al.
Veröffentlicht: (2024)

Mind the spikes: Benign overfitting of kernels and neural networks in fixed dimension
von: Haas, Moritz, et al.
Veröffentlicht: (2023)

Generative Kernel Spectral Clustering
von: Winant, David, et al.
Veröffentlicht: (2025)

Intrinsic training dynamics of deep neural networks
von: Marcotte, Sibylle, et al.
Veröffentlicht: (2025)

Learning to Drive Safely with Hybrid Options
von: De Cooman, Bram, et al.
Veröffentlicht: (2025)

Preventing overfitting in deep learning using differential privacy
von: Khatri, Alizishaan Anwar Hussein
Veröffentlicht: (2026)

Rethinking PCA Through Duality
von: Quan, Jan, et al.
Veröffentlicht: (2025)

Learning Analysis of Kernel Ridgeless Regression with Asymmetric Kernel Learning
von: He, Fan, et al.
Veröffentlicht: (2024)

RDI: An adversarial robustness evaluation metric for deep neural networks based on model statistical features
von: Song, Jialei, et al.
Veröffentlicht: (2025)

Masked adversarial neural network for cell type deconvolution in spatial transcriptomics
von: Huang, Lin, et al.
Veröffentlicht: (2024)

Sparsity via Sparse Group $k$-max Regularization
von: Tao, Qinghua, et al.
Veröffentlicht: (2024)

Accelerating Spectral Clustering under Fairness Constraints
von: Tonin, Francesco, et al.
Veröffentlicht: (2025)

Unsupervised Neighborhood Propagation Kernel Layers for Semi-supervised Node Classification
von: Achten, Sonny, et al.
Veröffentlicht: (2023)

Robustly overfitting latents for flexible neural image compression
von: Perugachi-Diaz, Yura, et al.
Veröffentlicht: (2024)

Are aligned neural networks adversarially aligned?
von: Carlini, Nicholas, et al.
Veröffentlicht: (2023)

Universal approximation with complex-valued deep narrow neural networks
von: Geuchen, Paul, et al.
Veröffentlicht: (2023)

A Dual Perspective of Reinforcement Learning for Imposing Policy Constraints
von: De Cooman, Bram, et al.
Veröffentlicht: (2024)

Benign overfitting in leaky ReLU networks with moderate input dimension
von: Karhadkar, Kedar, et al.
Veröffentlicht: (2024)

An axiomatized PDE model of deep neural networks
von: Wang, Tangjun, et al.
Veröffentlicht: (2023)

Efficient and provably convergent end-to-end training of deep neural networks with linear constraints
von: Yang, Zonglin, et al.
Veröffentlicht: (2026)

Asymmetrical estimator for training encapsulated deep photonic neural networks
von: Wang, Yizhi, et al.
Veröffentlicht: (2024)

How many samples are needed to train a deep neural network?
von: Golestaneh, Pegah, et al.
Veröffentlicht: (2024)

Why you don't overfit, and don't need Bayes if you only train for one epoch
von: Aitchison, Laurence
Veröffentlicht: (2024)

On margin-based generalization prediction in deep neural networks
von: Mouton, Coenraad
Veröffentlicht: (2024)

Adversarially robust generalization theory via Jacobian regularization for deep neural networks
von: Wu, Dongya, et al.
Veröffentlicht: (2024)

Towards Understanding Generalization in DP-GD: A Case Study in Training Two-Layer CNNs
von: Shi, Zhongjie, et al.
Veröffentlicht: (2025)

The mathematics of adversarial attacks in AI -- Why deep learning is unstable despite the existence of stable neural networks
von: Bastounis, Alexander, et al.
Veröffentlicht: (2021)

Be aware of overfitting by hyperparameter optimization!
von: Tetko, Igor V., et al.
Veröffentlicht: (2024)

Averaged Adam accelerates stochastic optimization in the training of deep neural network approximations for partial differential equation and optimal control problems
von: Dereich, Steffen, et al.
Veröffentlicht: (2025)

On the optimal approximation of Sobolev and Besov functions using deep ReLU neural networks
von: Yang, Yunfei
Veröffentlicht: (2024)

Guiding the retraining of convolutional neural networks against adversarial inputs
von: López, Francisco Durán, et al.
Veröffentlicht: (2022)

DeepCFD: Efficient near-ground airfoil lift coefficient approximation with deep convolutional neural networks
von: Esabat, Mohammad Amin, et al.
Veröffentlicht: (2025)