Buchumschlag

Visualizing, Rethinking, and Mining the Loss Landscape of Deep Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Yichu, Li, Xin-Chun, Li, Lan, Zhan, De-Chuan
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

Weight Scope Alignment: A Frustratingly Easy Method for Model Merging
von: Xu, Yichu, et al.
Veröffentlicht: (2024)

Exploring and Exploiting the Asymmetric Valley of Deep Neural Networks
von: Li, Xin-Chun, et al.
Veröffentlicht: (2024)

Visualization and Analysis of the Loss Landscape in Graph Neural Networks
von: Moustafa, Samir, et al.
Veröffentlicht: (2025)

Embedding Principle in Depth for the Loss Landscape Analysis of Deep Neural Networks
von: Bai, Zhiwei, et al.
Veröffentlicht: (2022)

Exploring Dark Knowledge under Various Teacher Capacities and Addressing Capacity Mismatch
von: Fan, Wen-Shu, et al.
Veröffentlicht: (2024)

Loss Spike in Training Neural Networks
von: Li, Xiaolong, et al.
Veröffentlicht: (2023)

A Unified Theory of Quantum Neural Network Loss Landscapes
von: Anschuetz, Eric R.
Veröffentlicht: (2024)

Loss Landscape Characterization of Neural Networks without Over-Parametrization
von: Islamov, Rustem, et al.
Veröffentlicht: (2024)

Paths and Ambient Spaces in Neural Loss Landscapes
von: Dold, Daniel, et al.
Veröffentlicht: (2025)

Classification with Deep Neural Networks and Logistic Loss
von: Zhang, Zihan, et al.
Veröffentlicht: (2023)

LossLens: Diagnostics for Machine Learning through Loss Landscape Visual Analytics
von: Xie, Tiankai, et al.
Veröffentlicht: (2024)

Visualizing Loss Functions as Topological Landscape Profiles
von: Geniesse, Caleb, et al.
Veröffentlicht: (2024)

Loss Landscape of Shallow ReLU-like Neural Networks: Stationary Points, Saddle Escape, and Network Embedding
von: Wu, Frank Zhengqing, et al.
Veröffentlicht: (2024)

Exploring Neural Network Landscapes: Star-Shaped and Geodesic Connectivity
von: Lin, Zhanran, et al.
Veröffentlicht: (2024)

Graph Neural Network-Driven Hierarchical Mining for Complex Imbalanced Data
von: Qi, Yijiashun, et al.
Veröffentlicht: (2025)

Rethinking Structure Learning For Graph Neural Networks
von: Zheng, Yilun, et al.
Veröffentlicht: (2024)

Rethinking Benign Overfitting in Two-Layer Neural Networks
von: Xu, Ruichen, et al.
Veröffentlicht: (2025)

Federated Multi Agent Deep Learning and Neural Networks for Advanced Distributed Sensing in Wireless Networks
von: Muller, Nadine, et al.
Veröffentlicht: (2026)

On the Hyperparameter Loss Landscapes of Machine Learning Models: An Exploratory Study
von: Huang, Mingyu, et al.
Veröffentlicht: (2023)

On the Loss Landscape Geometry of Regularized Deep Matrix Factorization: Uniqueness and Sharpness
von: Kamber, Anil, et al.
Veröffentlicht: (2026)

PSL: Rethinking and Improving Softmax Loss from Pairwise Perspective for Recommendation
von: Yang, Weiqin, et al.
Veröffentlicht: (2024)

Rethinking Pre-Training in Tabular Data: A Neighborhood Embedding Perspective
von: Ye, Han-Jia, et al.
Veröffentlicht: (2023)

Neural Tangent Kernel of Neural Networks with Loss Informed by Differential Operators
von: Gan, Weiye, et al.
Veröffentlicht: (2025)

Rethinking Amortized Neural Representations for High-Resolution Terrain Elevation Data
von: Feng, Haoan, et al.
Veröffentlicht: (2026)

Revisiting Deep Ensemble for Out-of-Distribution Detection: A Loss Landscape Perspective
von: Fang, Kun, et al.
Veröffentlicht: (2023)

Sensitivity Analysis On Loss Landscape
von: Faroz, Salman
Veröffentlicht: (2024)

Flat Channels to Infinity in Neural Loss Landscapes
von: Martinelli, Flavio, et al.
Veröffentlicht: (2025)

Rethinking Fair Graph Neural Networks from Re-balancing
von: Li, Zhixun, et al.
Veröffentlicht: (2024)

Rethinking Deep Learning: Propagating Information in Neural Networks without Backpropagation and Statistical Optimization
von: Itoh, Kei
Veröffentlicht: (2024)

MAP: Model Aggregation and Personalization in Federated Learning with Incomplete Classes
von: Li, Xin-Chun, et al.
Veröffentlicht: (2024)

A Quasi-Wasserstein Loss for Learning Graph Neural Networks
von: Cheng, Minjie, et al.
Veröffentlicht: (2023)

Addressing Imbalanced Domain-Incremental Learning through Dual-Balance Collaborative Experts
von: Li, Lan, et al.
Veröffentlicht: (2025)

Loss Patterns of Neural Networks
von: Skorokhodov, Ivan, et al.
Veröffentlicht: (2019)

Runtime Monitoring and Fault Detection for Neural Network-Controlled Systems
von: Lan, Jianglin, et al.
Veröffentlicht: (2024)

Flat-LoRA: Low-Rank Adaptation over a Flat Loss Landscape
von: Li, Tao, et al.
Veröffentlicht: (2024)

Early-Warning Signals of Grokking via Loss-Landscape Geometry
von: Xu, Yongzhong
Veröffentlicht: (2026)

Harnessing Loss Decomposition for Long-Horizon Wave Predictions via Deep Neural Networks
von: Deo, Indu Kant, et al.
Veröffentlicht: (2024)

Loss Jump During Loss Switch in Solving PDEs with Neural Networks
von: Wang, Zhiwei, et al.
Veröffentlicht: (2024)

Deep Neural Network for Constraint Acquisition through Tailored Loss Function
von: Vyhmeister, Eduardo, et al.
Veröffentlicht: (2024)

Rethinking Calibration for Early-Exit Neural Networks
von: Kubaty, Piotr, et al.
Veröffentlicht: (2025)