Enregistré dans:
| Auteurs principaux: | Fan, Simin, Pascanu, Razvan, Jaggi, Martin |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | https://arxiv.org/abs/2405.19454 |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
NeuralGrok: Accelerate Grokking by Neural Gradient Transformation
par: Zhou, Xinyu, et autres
Publié: (2025)
par: Zhou, Xinyu, et autres
Publié: (2025)
What Can Grokking Teach Us About Learning Under Nonstationarity?
par: Lyle, Clare, et autres
Publié: (2025)
par: Lyle, Clare, et autres
Publié: (2025)
DoGE: Domain Reweighting with Generalization Estimation
par: Fan, Simin, et autres
Publié: (2023)
par: Fan, Simin, et autres
Publié: (2023)
NoProp: Training Neural Networks without Full Back-propagation or Full Forward-propagation
par: Li, Qinyu, et autres
Publié: (2025)
par: Li, Qinyu, et autres
Publié: (2025)
HyperINF: Unleashing the HyperPower of the Schulz's Method for Data Influence Estimation
par: Zhou, Xinyu, et autres
Publié: (2024)
par: Zhou, Xinyu, et autres
Publié: (2024)
Layerwise LQR for Geometry-Aware Optimization of Deep Networks
par: Dufort-Labbé, Simon, et autres
Publié: (2026)
par: Dufort-Labbé, Simon, et autres
Publié: (2026)
Latent Space Representations of Neural Algorithmic Reasoners
par: Mirjanić, Vladimir V., et autres
Publié: (2023)
par: Mirjanić, Vladimir V., et autres
Publié: (2023)
GRAPE: Optimize Data Mixture for Group Robust Multi-target Adaptive Pretraining
par: Fan, Simin, et autres
Publié: (2025)
par: Fan, Simin, et autres
Publié: (2025)
Grokked Models are Better Unlearners
par: Liang, Yuanbang, et autres
Publié: (2025)
par: Liang, Yuanbang, et autres
Publié: (2025)
Disentangling the Causes of Plasticity Loss in Neural Networks
par: Lyle, Clare, et autres
Publié: (2024)
par: Lyle, Clare, et autres
Publié: (2024)
Lattice: Learning to Efficiently Compress the Memory
par: Karami, Mahdi, et autres
Publié: (2025)
par: Karami, Mahdi, et autres
Publié: (2025)
Meta-learning how to Share Credit among Macro-Actions
par: Hosu, Ionel-Alexandru, et autres
Publié: (2025)
par: Hosu, Ionel-Alexandru, et autres
Publié: (2025)
Revisiting Adam for Streaming Reinforcement Learning
par: Gogianu, Florin, et autres
Publié: (2026)
par: Gogianu, Florin, et autres
Publié: (2026)
Rotational Equilibrium: How Weight Decay Balances Learning Across Neural Networks
par: Kosson, Atli, et autres
Publié: (2023)
par: Kosson, Atli, et autres
Publié: (2023)
Non-Stationary Learning of Neural Networks with Automatic Soft Parameter Reset
par: Galashov, Alexandre, et autres
Publié: (2024)
par: Galashov, Alexandre, et autres
Publié: (2024)
Softmax is not Enough (for Sharp Size Generalisation)
par: Veličković, Petar, et autres
Publié: (2024)
par: Veličković, Petar, et autres
Publié: (2024)
No Representation, No Trust: Connecting Representation, Collapse, and Trust Issues in PPO
par: Moalla, Skander, et autres
Publié: (2024)
par: Moalla, Skander, et autres
Publié: (2024)
Attention as a Hypernetwork
par: Schug, Simon, et autres
Publié: (2024)
par: Schug, Simon, et autres
Publié: (2024)
MS-SSM: A Multi-Scale State Space Model for Efficient Sequence Modeling
par: Karami, Mahdi, et autres
Publié: (2025)
par: Karami, Mahdi, et autres
Publié: (2025)
Unpacking Softmax: How Temperature Drives Representation Collapse, Compression, and Generalization
par: Masarczyk, Wojciech, et autres
Publié: (2025)
par: Masarczyk, Wojciech, et autres
Publié: (2025)
Grokking Beyond Neural Networks: An Empirical Exploration with Model Complexity
par: Miller, Jack, et autres
Publié: (2023)
par: Miller, Jack, et autres
Publié: (2023)
Hadamard product in deep learning: Introduction, Advances and Challenges
par: Chrysos, Grigorios G, et autres
Publié: (2025)
par: Chrysos, Grigorios G, et autres
Publié: (2025)
Round and Round We Go! What makes Rotary Positional Encodings useful?
par: Barbero, Federico, et autres
Publié: (2024)
par: Barbero, Federico, et autres
Publié: (2024)
Flatness is Necessary, Neural Collapse is Not: Rethinking Generalization via Grokking
par: Han, Ting, et autres
Publié: (2025)
par: Han, Ting, et autres
Publié: (2025)
Bridging Lottery Ticket and Grokking: Understanding Grokking from Inner Structure of Networks
par: Minegishi, Gouki, et autres
Publié: (2023)
par: Minegishi, Gouki, et autres
Publié: (2023)
Grokking in LLM Pretraining? Monitor Memorization-to-Generalization without Test
par: Li, Ziyue, et autres
Publié: (2025)
par: Li, Ziyue, et autres
Publié: (2025)
To Grok Grokking: Provable Grokking in Ridge Regression
par: Xu, Mingyue, et autres
Publié: (2026)
par: Xu, Mingyue, et autres
Publié: (2026)
Perplexity Cannot Always Tell Right from Wrong
par: Veličković, Petar, et autres
Publié: (2026)
par: Veličković, Petar, et autres
Publié: (2026)
State Soup: In-Context Skill Learning, Retrieval and Mixing
par: Pióro, Maciej, et autres
Publié: (2024)
par: Pióro, Maciej, et autres
Publié: (2024)
Transformers meet Neural Algorithmic Reasoners
par: Bounsi, Wilfried, et autres
Publié: (2024)
par: Bounsi, Wilfried, et autres
Publié: (2024)
LLMs are Greedy Agents: Effects of RL Fine-tuning on Decision-Making Abilities
par: Schmied, Thomas, et autres
Publié: (2025)
par: Schmied, Thomas, et autres
Publié: (2025)
Asynchronous Algorithmic Alignment with Cocycles
par: Dudzik, Andrew, et autres
Publié: (2023)
par: Dudzik, Andrew, et autres
Publié: (2023)
Universality of Linear Recurrences Followed by Non-linear Projections: Finite-Width Guarantees and Benefits of Complex Eigenvalues
par: Orvieto, Antonio, et autres
Publié: (2023)
par: Orvieto, Antonio, et autres
Publié: (2023)
Personalized Collaborative Fine-Tuning for On-Device Large Language Models
par: Wagner, Nicolas, et autres
Publié: (2024)
par: Wagner, Nicolas, et autres
Publié: (2024)
Retrieval-Augmented Decision Transformer: External Memory for In-context RL
par: Schmied, Thomas, et autres
Publié: (2024)
par: Schmied, Thomas, et autres
Publié: (2024)
Mining Generalizable Activation Functions
par: Vitvitskyi, Alex, et autres
Publié: (2026)
par: Vitvitskyi, Alex, et autres
Publié: (2026)
The Illusion of Stochasticity in LLMs
par: Gu, Xiangming, et autres
Publié: (2026)
par: Gu, Xiangming, et autres
Publié: (2026)
Filter Equivariant Functions: A symmetric account of length-general extrapolation on lists
par: Lewis, Owen, et autres
Publié: (2025)
par: Lewis, Owen, et autres
Publié: (2025)
How do language models learn facts? Dynamics, curricula and hallucinations
par: Zucchet, Nicolas, et autres
Publié: (2025)
par: Zucchet, Nicolas, et autres
Publié: (2025)
Late-Stage Generalization Collapse in Grokking: Detecting anti-grokking with Weightwatcher
par: Prakash, Hari K, et autres
Publié: (2026)
par: Prakash, Hari K, et autres
Publié: (2026)
Documents similaires
-
NeuralGrok: Accelerate Grokking by Neural Gradient Transformation
par: Zhou, Xinyu, et autres
Publié: (2025) -
What Can Grokking Teach Us About Learning Under Nonstationarity?
par: Lyle, Clare, et autres
Publié: (2025) -
DoGE: Domain Reweighting with Generalization Estimation
par: Fan, Simin, et autres
Publié: (2023) -
NoProp: Training Neural Networks without Full Back-propagation or Full Forward-propagation
par: Li, Qinyu, et autres
Publié: (2025) -
HyperINF: Unleashing the HyperPower of the Schulz's Method for Data Influence Estimation
par: Zhou, Xinyu, et autres
Publié: (2024)