Buchumschlag

Inverse-Free Fast Natural Gradient Descent Method for Deep Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ou, Xinwei, Zhu, Ce, Huang, Xiaolin, Liu, Yipeng
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learnable Scaled Gradient Descent for Guaranteed Robust Tensor PCA
von: Feng, Lanlan, et al.
Veröffentlicht: (2025)

Natural Gradient Descent for Online Continual Learning
von: Khawand, Joe, et al.
Veröffentlicht: (2026)

Integrating Intermediate Layer Optimization and Projected Gradient Descent for Solving Inverse Problems with Diffusion Models
von: Zheng, Yang, et al.
Veröffentlicht: (2025)

S^2MVTC: a Simple yet Efficient Scalable Multi-View Tensor Clustering
von: Long, Zhen, et al.
Veröffentlicht: (2024)

Robust Network Learning via Inverse Scale Variational Sparsification
von: Zhou, Zhiling, et al.
Veröffentlicht: (2024)

An Over Complete Deep Learning Method for Inverse Problems
von: Eliasof, Moshe, et al.
Veröffentlicht: (2024)

Anchor-based Multi-view Subspace Clustering with Hierarchical Feature Descent
von: Ou, Qiyuan, et al.
Veröffentlicht: (2023)

Understanding the Double Descent Phenomenon in Deep Learning
von: Lafon, Marc, et al.
Veröffentlicht: (2024)

HOIN: High-Order Implicit Neural Representations
von: Chen, Yang, et al.
Veröffentlicht: (2024)

Gradient Descent as a Shrinkage Operator for Spectral Bias
von: Lucey, Simon
Veröffentlicht: (2025)

A New Formulation of Lipschitz Constrained With Functional Gradient Learning for GANs
von: Wan, Chang, et al.
Veröffentlicht: (2025)

Stop Walking in Circles! Bailing Out Early in Projected Gradient Descent
von: Doldo, Philip, et al.
Veröffentlicht: (2025)

Consistency Regularised Gradient Flows for Inverse Problems
von: Spagnoletti, Alessio, et al.
Veröffentlicht: (2026)

Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation
von: Wang, Xiulin, et al.
Veröffentlicht: (2023)

Projected Stochastic Gradient Descent with Quantum Annealed Binary Gradients
von: Krahn, Maximilian, et al.
Veröffentlicht: (2023)

Fast Samplers for Inverse Problems in Iterative Refinement Models
von: Pandey, Kushagra, et al.
Veröffentlicht: (2024)

Fast Neural Inverse Kinematics on Human Body Motions
von: Tolpin, David, et al.
Veröffentlicht: (2025)

Gradients Stand-in for Defending Deep Leakage in Federated Learning
von: Yi, H., et al.
Veröffentlicht: (2024)

Gradient Similarity Surgery in Multi-Task Deep Learning
von: Borsani, Thomas, et al.
Veröffentlicht: (2025)

Octopus: History-Free Gradient Orthogonalization for Continual Learning in Multimodal Large Language Models
von: Liu, Yuehao, et al.
Veröffentlicht: (2026)

LLM as a Complementary Optimizer to Gradient Descent: A Case Study in Prompt Tuning
von: Guo, Zixian, et al.
Veröffentlicht: (2024)

Mitigating Visual Knowledge Forgetting in MLLM Instruction-tuning via Modality-decoupled Gradient Descent
von: Wu, Junda, et al.
Veröffentlicht: (2025)

Deep Unlearning: Fast and Efficient Gradient-free Approach to Class Forgetting
von: Kodge, Sangamesh, et al.
Veröffentlicht: (2023)

Integrating Present and Past in Unsupervised Continual Learning
von: Zhang, Yipeng, et al.
Veröffentlicht: (2024)

P-Flow: Proxy-gradient Flows for Linear Inverse Problems
von: Jiang, Zehua, et al.
Veröffentlicht: (2026)

On Hallucinations in Inverse Problems: Fundamental Limits and Provable Assessment Methods
von: Iagaru, David, et al.
Veröffentlicht: (2026)

A Data-Free Analytical Quantization Scheme for Deep Learning Models
von: Luqman, Ahmed, et al.
Veröffentlicht: (2024)

SR$^2$-LoRA: Self-Rectifying Inter-layer Relations in Low-Rank Adaptation for Class-Incremental Learning
von: Wan, Fengqiang, et al.
Veröffentlicht: (2026)

Derivative-Free Diffusion Manifold-Constrained Gradient for Unified XAI
von: Kim, Won Jun, et al.
Veröffentlicht: (2024)

Differentiable Gaussianization Layers for Inverse Problems Regularized by Deep Generative Models
von: Li, Dongzhuo
Veröffentlicht: (2021)

Hyper Evidential Deep Learning to Quantify Composite Classification Uncertainty
von: Li, Changbin, et al.
Veröffentlicht: (2024)

DMPlug: A Plug-in Method for Solving Inverse Problems with Diffusion Models
von: Wang, Hengkang, et al.
Veröffentlicht: (2024)

An In-Depth Analysis of Data Reduction Methods for Sustainable Deep Learning
von: Toscano-Durán, Víctor, et al.
Veröffentlicht: (2024)

Bias Leaves a Gradient Trail: Label-Free Bias Identification via Gradient Probes on Concept Decompositions
von: Vitry, Thomas, et al.
Veröffentlicht: (2026)

Coordinate Descent for Network Linearization
von: Rakhlin, Vlad, et al.
Veröffentlicht: (2025)

FastAT Benchmark: A Comprehensive Framework for Fair Evaluation of Fast Adversarial Training Methods
von: Pan, Chao, et al.
Veröffentlicht: (2026)

Deep Exploration of Epoch-wise Double Descent in Noisy Data: Signal Separation, Large Activation, and Benign Overfitting
von: Kubo, Tomoki, et al.
Veröffentlicht: (2026)

Fast and Accurate Neural Rendering Using Semi-Gradients
von: Cho, In-Young, et al.
Veröffentlicht: (2024)

ZOTTA: Test-Time Adaptation with Gradient-Free Zeroth-Order Optimization
von: Zhang, Ronghao, et al.
Veröffentlicht: (2026)

Diffusion State-Guided Projected Gradient for Inverse Problems
von: Zirvi, Rayhan, et al.
Veröffentlicht: (2024)