Buchumschlag

Wilsonian Renormalization of Neural Network Gaussian Processes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Howard, Jessica N., Jefferson, Ro, Maiti, Anindita, Ringel, Zohar
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Disordered Systems and Neural Networks High Energy Physics - Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Bayesian RG Flow in Neural Network Field Theories
von: Howard, Jessica N., et al.
Veröffentlicht: (2024)

Opening the Black Box: predicting the trainability of deep neural networks with reconstruction entropy
von: Thurn, Yanick, et al.
Veröffentlicht: (2024)

Towards Worst-Case Guarantees with Scale-Aware Interpretability
von: Greenspan, Lauren, et al.
Veröffentlicht: (2026)

Topological Effects in Neural Network Field Theory
von: Ferko, Christian, et al.
Veröffentlicht: (2026)

Lecture Notes on Statistical Physics and Neural Networks
von: Hohm, Olaf
Veröffentlicht: (2026)

Neural Network Quantum Field Theory from Transformer Architectures
von: Ageev, Dmitry S., et al.
Veröffentlicht: (2026)

Algorithmic Task Capture, Computational Complexity, and Inductive Bias of Infinite Transformers
von: Davidovich, Orit, et al.
Veröffentlicht: (2026)

Demystifying Spectral Bias on Real-World Data
von: Lavie, Itay, et al.
Veröffentlicht: (2024)

Grokking as a First Order Phase Transition in Two Layer Networks
von: Rubin, Noa, et al.
Veröffentlicht: (2023)

Improving CFT Operators Using Machine Learning
von: Oppenheim, Lior, et al.
Veröffentlicht: (2026)

Functional Renormalization Group Approach for Signal Detection
von: Lahoche, Vincent, et al.
Veröffentlicht: (2022)

Towards Understanding Inductive Bias in Transformers: A View From Infinity
von: Lavie, Itay, et al.
Veröffentlicht: (2024)

Renormalization group for deep neural networks: Universality of learning and scaling laws
von: Coppola, Gorka Peraza, et al.
Veröffentlicht: (2025)

Machine Learning the Operator Content of the Critical Self-Dual Ising-Higgs Gauge Model
von: Oppenheim, Lior, et al.
Veröffentlicht: (2023)

Learning to grok: Emergence of in-context learning and skill composition in modular arithmetic tasks
von: He, Tianyu, et al.
Veröffentlicht: (2024)

A Two-Phase Perspective on Deep Learning Dynamics
von: Koch, Robert de Mello, et al.
Veröffentlicht: (2025)

Gauge-covariant stochastic neural fields: Stability and finite-width effects
von: Terin, Rodrigo Carmo
Veröffentlicht: (2025)

Neural Scaling Laws From Large-N Field Theory: Solvable Model Beyond the Ridgeless Limit
von: Zhang, Zhengkang
Veröffentlicht: (2024)

Large Orders and Strong-Coupling Limit in Functional Renormalization
von: Semeikin, Mikhail N., et al.
Veröffentlicht: (2024)

Excited String States and D-branes from Infinite Width Neural Networks
von: Ageev, Dmitry S., et al.
Veröffentlicht: (2026)

Renormalization of Interacting Random Graph Models
von: Catanzaro, Alessio, et al.
Veröffentlicht: (2025)

The Underlying Scaling Laws and Universal Statistical Structure of Complex Datasets
von: Levi, Noam, et al.
Veröffentlicht: (2023)

Grokking Modular Polynomials
von: Doshi, Darshil, et al.
Veröffentlicht: (2024)

Synaptic Field Theory for Neural Networks
von: Lee, Donghee, et al.
Veröffentlicht: (2025)

The neural networks with tensor weights and emergent fermionic Wick rules in the large-width limit
von: Huang, Guojun, et al.
Veröffentlicht: (2025)

Learning topological defects formation with neural networks in a quantum phase transition
von: Shi, Han-Qing, et al.
Veröffentlicht: (2022)

Measuring Renyi Entropy in Neural Network Quantum States
von: Shi, Han-Qing, et al.
Veröffentlicht: (2023)

Lecture notes: From Gaussian processes to feature learning
von: Helias, Moritz, et al.
Veröffentlicht: (2026)

Neural network representation of quantum systems
von: Hashimoto, Koji, et al.
Veröffentlicht: (2024)

Roughness and critical force for depinning at 3-loop order
von: Semeikin, Mikhail N., et al.
Veröffentlicht: (2023)

Physics-informed Neural Networks for Functional Differential Equations: Cylindrical Approximation and Its Convergence Guarantees
von: Miyagawa, Taiki, et al.
Veröffentlicht: (2024)

Robust Reasoning as a Symmetry-Protected Topological Phase
von: Sung, Ilmo
Veröffentlicht: (2026)

Renormalization group for measurement and entanglement phase transitions
von: Nahum, Adam, et al.
Veröffentlicht: (2023)

Exploring the Energy Landscape of RBMs: Reciprocal Space Insights into Bosons, Hierarchical Learning and Symmetry Breaking
von: Toledo-Marin, J. Quetzalcóatl, et al.
Veröffentlicht: (2025)

From Kernels to Features: A Multi-Scale Adaptive Theory of Feature Learning
von: Rubin, Noa, et al.
Veröffentlicht: (2025)

Applications of Statistical Field Theory in Deep Learning
von: Ringel, Zohar, et al.
Veröffentlicht: (2025)

Distributions of consecutive level spacings of Gaussian unitary ensemble and their ratio: ab initio derivation
von: Nishigaki, Shinsuke M.
Veröffentlicht: (2024)

Brownian Gaussian Unitary Ensemble: non-equilibrium dynamics, efficient $k$-design and application in classical shadow tomography
von: Tang, Haifeng
Veröffentlicht: (2024)

Asymptotic theory of in-context learning by linear attention
von: Lu, Yue M., et al.
Veröffentlicht: (2024)

Kernel Renormalization in Bayesian Deep Neural Networks: the Equivalent Wishart Ansatz in the Proportional Regime
von: Baglioni, Paolo, et al.
Veröffentlicht: (2026)