Buchumschlag

Eigenpruning: an Interpretability-Inspired PEFT Method

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vergara-Browne, Tomás, Soto, Álvaro, Aizawa, Akiko
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Calibrating and Rotating: A Unified Framework for Weight Conditioning in PEFT
von: Chang, Da, et al.
Veröffentlicht: (2025)

Beyond Feature Fusion: Contextual Bayesian PEFT for Multimodal Uncertainty Estimation
von: Naderi, Habibeh, et al.
Veröffentlicht: (2026)

GEM-Style Constraints for PEFT with Dual Gradient Projection in LoRA
von: Tekmen, Brian, et al.
Veröffentlicht: (2026)

Physics-Inspired Interpretability Of Machine Learning Models
von: Niroomand, Maximilian P, et al.
Veröffentlicht: (2023)

Choice of PEFT Technique in Continual Learning: Prompt Tuning is Not All You Need
von: Wistuba, Martin, et al.
Veröffentlicht: (2024)

PrunePEFT: Iterative Hybrid Pruning for Parameter-Efficient Fine-tuning of LLMs
von: Yu, Tongzhou, et al.
Veröffentlicht: (2025)

COMPASS: COntinual Multilingual PEFT with Adaptive Semantic Sampling
von: Flynn, Noah
Veröffentlicht: (2026)

GRIT -- Geometry-Aware PEFT with K-FACPreconditioning, Fisher-Guided Reprojection, andDynamic Rank Adaptation
von: Saha, Pritish, et al.
Veröffentlicht: (2026)

CoFrNets: Interpretable Neural Architecture Inspired by Continued Fractions
von: Puri, Isha, et al.
Veröffentlicht: (2025)

AutoPEFT: Automatic Configuration Search for Parameter-Efficient Fine-Tuning
von: Zhou, Han, et al.
Veröffentlicht: (2023)

ComPEFT: Compression for Communicating Parameter Efficient Updates via Sparsification and Quantization
von: Yadav, Prateek, et al.
Veröffentlicht: (2023)

X-PEFT: eXtremely Parameter-Efficient Fine-Tuning for Extreme Multi-Profile Scenarios
von: Kwak, Namju, et al.
Veröffentlicht: (2024)

Finer Parameter Steps for Low-Rank PEFT: A Controlled Study with CP Tensor Adapters
von: Wang, Xinjue, et al.
Veröffentlicht: (2026)

PEFT-MuTS: A Multivariate Parameter-Efficient Fine-Tuning Framework for Remaining Useful Life Prediction based on Cross-domain Time Series Representation Model
von: Fu, En, et al.
Veröffentlicht: (2026)

Position: An Inner Interpretability Framework for AI Inspired by Lessons from Cognitive Neuroscience
von: Vilas, Martina G., et al.
Veröffentlicht: (2024)

PULSE: Practical Evaluation Scenarios for Large Multimodal Model Unlearning
von: Kawakami, Tatsuki, et al.
Veröffentlicht: (2025)

Hyperparameter Optimisation with Practical Interpretability and Explanation Methods in Probabilistic Curriculum Learning
von: Salt, Llewyn, et al.
Veröffentlicht: (2025)

Point-PEFT: Parameter-Efficient Fine-Tuning for 3D Pre-trained Models
von: Tang, Yiwen, et al.
Veröffentlicht: (2023)

Synaptic Activation and Dual Liquid Dynamics for Interpretable Bio-Inspired Models
von: Farsang, Mónika, et al.
Veröffentlicht: (2026)

Pando: Do Interpretability Methods Work When Models Won't Explain Themselves?
von: Zhong, Ziqian, et al.
Veröffentlicht: (2026)

MambaPEFT: Exploring Parameter-Efficient Fine-Tuning for Mamba
von: Yoshimura, Masakazu, et al.
Veröffentlicht: (2024)

Interpretability in Symbolic Regression: a benchmark of Explanatory Methods using the Feynman data set
von: Aldeia, Guilherme Seidyo Imai, et al.
Veröffentlicht: (2024)

Interpretable and Explainable Machine Learning Methods for Predictive Process Monitoring: A Systematic Literature Review
von: Mehdiyev, Nijat, et al.
Veröffentlicht: (2023)

Neuro-Inspired Hierarchical Multimodal Learning
von: Xiao, Xiongye, et al.
Veröffentlicht: (2023)

Q-PEFT: Query-dependent Parameter Efficient Fine-tuning for Text Reranking with Large Language Models
von: Peng, Zhiyuan, et al.
Veröffentlicht: (2024)

Lessons and Insights from a Unifying Study of Parameter-Efficient Fine-Tuning (PEFT) in Visual Recognition
von: Mai, Zheda, et al.
Veröffentlicht: (2024)

Comparing Post-Hoc Explainable AI Methods for Interpreting Black-Box EEG Models in Depression Detection
von: Šarčević, Antonia, et al.
Veröffentlicht: (2026)

Chemistry-Inspired Diffusion with Non-Differentiable Guidance
von: Shen, Yuchen, et al.
Veröffentlicht: (2024)

KIPPO: Koopman-Inspired Proximal Policy Optimization
von: Cozma, Andrei, et al.
Veröffentlicht: (2025)

Human-Inspired Framework to Accelerate Reinforcement Learning
von: Beikmohammadi, Ali, et al.
Veröffentlicht: (2023)

HiCL: Hippocampal-Inspired Continual Learning
von: Kapoor, Kushal, et al.
Veröffentlicht: (2025)

Human-Inspired Multi-Level Reinforcement Learning
von: Wu, Mingkang, et al.
Veröffentlicht: (2025)

Binarizing Physics-Inspired GNNs for Combinatorial Optimization
von: Krutský, Martin, et al.
Veröffentlicht: (2025)

WinTSR: A Windowed Temporal Saliency Rescaling Method for Interpreting Time Series Deep Learning Models
von: Islam, Md. Khairul, et al.
Veröffentlicht: (2024)

SHapley Estimated Explanation (SHEP): A Fast Post-Hoc Attribution Method for Interpreting Intelligent Fault Diagnosis
von: Chen, Qian, et al.
Veröffentlicht: (2025)

Brain-Inspired Planning for Better Generalization in Reinforcement Learning
von: Zhao, Mingde "Harry"
Veröffentlicht: (2025)

IBNorm: Information-Bottleneck Inspired Normalization for Representation Learning
von: Zou, Xiandong, et al.
Veröffentlicht: (2025)

Auto-ADMET: An Effective and Interpretable AutoML Method for Chemical ADMET Property Prediction
von: de Sá, Alex G. C., et al.
Veröffentlicht: (2025)

Q-LIME $π$: A Quantum-Inspired Extension to LIME
von: Vargas, Nelson Colón
Veröffentlicht: (2024)

Boosting LLM Reasoning via Human-Inspired Reward Shaping
von: Lin, Wenze, et al.
Veröffentlicht: (2026)