Buchumschlag

Critical feature learning in deep neural networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fischer, Kirsten, Lindner, Javed, Dahmen, David, Ringel, Zohar, Krämer, Michael, Helias, Moritz
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Disordered Systems and Neural Networks
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

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

Dynamics of neural scaling laws in random feature regression with powerlaw-distributed kernel eigenvalues
von: Kramp, Jakob, et al.
Veröffentlicht: (2026)

Field theory for optimal signal propagation in ResNets
von: Fischer, Kirsten, et al.
Veröffentlicht: (2023)

A unified theory of feature learning in RNNs and DNNs
von: Bauer, Jan P., et al.
Veröffentlicht: (2026)

Effect of Synaptic Heterogeneity on Neuronal Coordination
von: Layer, Moritz, et al.
Veröffentlicht: (2023)

Reduction of interaction order in hard combinatorial optimization via conditionally independent degrees of freedom
von: Ciobanu, Alexandru, et al.
Veröffentlicht: (2025)

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

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

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

Beyond-mean-field fluctuations for the solution of constraint satisfaction problems
von: Foos, Niklas, et al.
Veröffentlicht: (2025)

Linking Network and Neuron-level Correlations by Renormalized Field Theory
von: Dick, Michael, et al.
Veröffentlicht: (2023)

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

Optimizing p-spin models through hypergraph neural networks and deep reinforcement learning
von: Zeng, Li, et al.
Veröffentlicht: (2026)

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

Spring-block theory of feature learning in deep neural networks
von: Shi, Cheng, et al.
Veröffentlicht: (2024)

Graph Neural Networks Do Not Always Oversmooth
von: Epping, Bastian, et al.
Veröffentlicht: (2024)

Microscopic and collective signatures of feature learning in neural networks
von: Corti, Andrea, et al.
Veröffentlicht: (2025)

Improving deep neural network performance through sampling
von: Ghantasala, Lakshmi A., et al.
Veröffentlicht: (2025)

Arbitrage equilibrium and the emergence of universal microstructure in deep neural networks
von: Venkatasubramanian, Venkat, et al.
Veröffentlicht: (2024)

Adaptive kernel predictors from feature-learning infinite limits of neural networks
von: Lauditi, Clarissa, et al.
Veröffentlicht: (2025)

Statistical physics through the lens of real-space mutual information
von: Gökmen, Doruk Efe, et al.
Veröffentlicht: (2021)

Topological mechanical neural networks as classifiers through in situ backpropagation learning
von: Li, Shuaifeng, et al.
Veröffentlicht: (2025)

A statistical mechanics framework for Bayesian deep neural networks beyond the infinite-width limit
von: Pacelli, R., et al.
Veröffentlicht: (2022)

Emergent weight morphologies in deep neural networks
von: de Jong, Pascal, et al.
Veröffentlicht: (2025)

Implicit bias produces neural scaling laws in learning curves, from perceptrons to deep networks
von: D'Amico, Francesco, et al.
Veröffentlicht: (2025)

Computing frustration and near-monotonicity in deep neural networks
von: Wendin, Joel, et al.
Veröffentlicht: (2025)

Finite-time Lyapunov exponents of deep neural networks
von: Storm, L., et al.
Veröffentlicht: (2023)

Impact of heavy-tailed synaptic strength distributions on self-sustained activity in networks of spiking neurons
von: Tönjes, Ralf, et al.
Veröffentlicht: (2026)

Generalized hetero-associative neural networks
von: Agliari, Elena, et al.
Veröffentlicht: (2024)

Compression theory for inhomogeneous systems
von: Gökmen, Doruk Efe, et al.
Veröffentlicht: (2023)

High-dimensional learning of narrow neural networks
von: Cui, Hugo
Veröffentlicht: (2024)

Identifying the impact of local connectivity patterns on dynamics in excitatory-inhibitory networks
von: Shao, Yuxiu, et al.
Veröffentlicht: (2024)

Partial annealing and pattern decorrelation in associative neural networks
von: Albanese, Linda, et al.
Veröffentlicht: (2026)

Instant prediction of relaxation in moiré superlattices using neural networks
von: Belonovskii, Aleksei V., et al.
Veröffentlicht: (2025)

Glassy dynamics near the interpolation transition in deep recurrent networks
von: Hertz, John, et al.
Veröffentlicht: (2024)

Pattern Expansion of Spin Glasses
von: Shen, Mutian, et al.
Veröffentlicht: (2026)

Application of deep neural networks for computing the renormalization group flow of the two-dimensional phi^4 field theory
von: Zhao, Yueqi, et al.
Veröffentlicht: (2025)

Liquid and solid layers in a thermal deep learning machine
von: Huang, Gang, et al.
Veröffentlicht: (2025)