Buchumschlag

Understanding Optimal Feature Transfer via a Fine-Grained Bias-Variance Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yufan, Sen, Subhabrata, Adlam, Ben
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

Provable Benefits of Unsupervised Pre-training and Transfer Learning via Single-Index Models
von: Jones-McCormick, Taj, et al.
Veröffentlicht: (2025)

Fine-Grained Dynamic Framework for Bias-Variance Joint Optimization on Data Missing Not at Random
von: Ha, Mingming, et al.
Veröffentlicht: (2024)

Multi-layer Cross-attention is Provably Optimal for Multi-modal In-context Learning
von: Barnfield, Nicholas, et al.
Veröffentlicht: (2026)

Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis
von: Bonetti, Paolo, et al.
Veröffentlicht: (2024)

Bayes optimal learning in high-dimensional linear regression with network side information
von: Nandy, Sagnik, et al.
Veröffentlicht: (2023)

Understanding the Generalization of Bilevel Programming in Hyperparameter Optimization: A Tale of Bias-Variance Decomposition
von: Zhou, Yubo, et al.
Veröffentlicht: (2026)

Open-Set Fault Diagnosis in Multimode Processes via Fine-Grained Deep Feature Representation
von: Li, Guangqiang, et al.
Veröffentlicht: (2025)

High-dimensional Asymptotics of Langevin Dynamics in Spiked Matrix Models
von: Liang, Tengyuan, et al.
Veröffentlicht: (2022)

On the Convergence of Experience Replay in Policy Optimization: Characterizing Bias, Variance, and Finite-Time Convergence
von: Zheng, Hua, et al.
Veröffentlicht: (2021)

Towards Understanding Feature Learning in Parameter Transfer
von: Yuan, Hua, et al.
Veröffentlicht: (2025)

A Generalized Bias-Variance Decomposition for Bregman Divergences
von: Pfau, David
Veröffentlicht: (2025)

Variance-Reducing Couplings for Random Features
von: Reid, Isaac, et al.
Veröffentlicht: (2024)

On the Emergence of Weak-to-Strong Generalization: A Bias-Variance Perspective
von: Xu, Gengze, et al.
Veröffentlicht: (2025)

Transformed $\ell_1$ Regularizations for Robust Principal Component Analysis: Toward a Fine-Grained Understanding
von: Zhao, Kun, et al.
Veröffentlicht: (2025)

A Random Matrix Perspective of Echo State Networks: From Precise Bias--Variance Characterization to Optimal Regularization
von: Moakher, Yessin, et al.
Veröffentlicht: (2025)

Understanding NTK Variance in Implicit Neural Representations
von: Ou, Chengguang, et al.
Veröffentlicht: (2025)

A Bias-Variance Decomposition for Ensembles over Multiple Synthetic Datasets
von: Räisä, Ossi, et al.
Veröffentlicht: (2024)

Understanding Transfer Learning via Mean-field Analysis
von: Aminian, Gholamali, et al.
Veröffentlicht: (2024)

A Bias-Variance-Covariance Decomposition of Kernel Scores for Generative Models
von: Gruber, Sebastian G., et al.
Veröffentlicht: (2023)

Fundamental limits of community detection from multi-view data: multi-layer, dynamic and partially labeled block models
von: Yang, Xiaodong, et al.
Veröffentlicht: (2024)

Optimal and Provable Calibration in High-Dimensional Binary Classification: Angular Calibration and Platt Scaling
von: Li, Yufan, et al.
Veröffentlicht: (2025)

Analyzing the Effect of Noise in LLM Fine-tuning
von: Li, Lingfang, et al.
Veröffentlicht: (2026)

Understanding Nonlinear Implicit Bias via Region Counts in Input Space
von: Li, Jingwei, et al.
Veröffentlicht: (2025)

Parameter Efficient Fine-tuning via Explained Variance Adaptation
von: Paischer, Fabian, et al.
Veröffentlicht: (2024)

The Magic Correlations: Understanding Knowledge Transfer from Pretraining to Supervised Fine-Tuning
von: Fan, Simin, et al.
Veröffentlicht: (2026)

The Bias-Variance Tradeoff in Data-Driven Optimization: A Local Misspecification Perspective
von: Lan, Haixiang, et al.
Veröffentlicht: (2025)

Rethinking Semi-Supervised Imbalanced Node Classification from Bias-Variance Decomposition
von: Yan, Liang, et al.
Veröffentlicht: (2023)

Sink-Token-Aware Pruning for Fine-Grained Video Understanding in Efficient Video LLMs
von: Kim, Kibum, et al.
Veröffentlicht: (2026)

Localized LoRA: A Structured Low-Rank Approximation for Efficient Fine-Tuning
von: Barazandeh, Babak, et al.
Veröffentlicht: (2025)

A Fine-Grained Understanding of Uniform Convergence for Halfspaces
von: Kontorovich, Aryeh, et al.
Veröffentlicht: (2026)

Multi-Hierarchical Fine-Grained Feature Mapping Driven by Feature Contribution for Molecular Odor Prediction
von: Xie, Hong Xin, et al.
Veröffentlicht: (2025)

Optimal-Point Variance Reduction For Bayesian Optimization With Regret Guarantee
von: Takeno, Shion
Veröffentlicht: (2026)

Fine-Grained Classification for Poisonous Fungi Identification with Transfer Learning
von: Chiu, Christopher, et al.
Veröffentlicht: (2024)

Ratio-Variance Regularized Policy Optimization for Efficient LLM Fine-tuning
von: Luo, Yu, et al.
Veröffentlicht: (2026)

Randomization Can Reduce Both Bias and Variance: A Case Study in Random Forests
von: Liu, Brian, et al.
Veröffentlicht: (2024)

FairTree: Subgroup Fairness Auditing of Machine Learning Models with Bias-Variance Decomposition
von: Debelak, Rudolf
Veröffentlicht: (2026)

Understanding the Transferability of Representations via Task-Relatedness
von: Mehra, Akshay, et al.
Veröffentlicht: (2023)

Fine-Grained Model Merging via Modular Expert Recombination
von: Qiu, Haiyun, et al.
Veröffentlicht: (2026)

Towards Understanding Multimodal Fine-Tuning: Spatial Features
von: Naghashyar, Lachin, et al.
Veröffentlicht: (2026)

Improved Regret Analysis in Gaussian Process Bandits: Optimality for Noiseless Reward, RKHS norm, and Non-Stationary Variance
von: Iwazaki, Shogo, et al.
Veröffentlicht: (2025)