Buchumschlag

Coding schemes in neural networks learning classification tasks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	van Meegen, Alexander, Sompolinsky, Haim
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Disordered Systems and Neural Networks Statistical Mechanics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dissecting the Interplay of Attention Paths in a Statistical Mechanics Theory of Transformers
von: Tiberi, Lorenzo, et al.
Veröffentlicht: (2024)

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

On the role of non-linear latent features in bipartite generative neural networks
von: Bonnaire, Tony, et al.
Veröffentlicht: (2025)

The autoregressive neural network architecture of the Boltzmann distribution of pairwise interacting spins systems
von: Biazzo, Indaco
Veröffentlicht: (2023)

Sampling with flows, diffusion and autoregressive neural networks: A spin-glass perspective
von: Ghio, Davide, et al.
Veröffentlicht: (2023)

A Fourier perspective on the learning dynamics of neural networks: from sample complexities to mechanistic insights
von: Ricci, Fabiola, et al.
Veröffentlicht: (2026)

Dynamic neuron approach to deep neural networks: Decoupling neurons for renormalization group analysis
von: Lee, Donghee, et al.
Veröffentlicht: (2024)

Weight fluctuations in (deep) linear neural networks and a derivation of the inverse-variance flatness relation
von: Gross, Markus, et al.
Veröffentlicht: (2023)

How does Chain of Thought decompose complex tasks?
von: Nadgir, Amrut, et al.
Veröffentlicht: (2026)

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

Optimal generalisation and learning transition in extensive-width shallow neural networks near interpolation
von: Barbier, Jean, et al.
Veröffentlicht: (2025)

The committee machine: Computational to statistical gaps in learning a two-layers neural network
von: Aubin, Benjamin, et al.
Veröffentlicht: (2018)

Sharp feature-learning transitions and Bayes-optimal neural scaling laws in extensive-width networks
von: Nguyen, Minh-Toan, et al.
Veröffentlicht: (2026)

When can in-context learning generalize out of task distribution?
von: Goddard, Chase, et al.
Veröffentlicht: (2025)

Nonlinear classification of neural manifolds with contextual information
von: Mignacco, Francesca, et al.
Veröffentlicht: (2024)

Distinct mechanisms underlying in-context learning in transformers
von: Gibson, Cole, et al.
Veröffentlicht: (2026)

Escape dynamics and implicit bias of one-pass SGD in overparameterized quadratic networks
von: Bocchi, Dario, et al.
Veröffentlicht: (2026)

Machine learning the Ising transition: A comparison between discriminative and generative approaches
von: Zhang, Difei, et al.
Veröffentlicht: (2024)

Discrete generative diffusion models without stochastic differential equations: a tensor network approach
von: Causer, Luke, et al.
Veröffentlicht: (2024)

Statistical mechanics of extensive-width Bayesian neural networks near interpolation
von: Barbier, Jean, et al.
Veröffentlicht: (2025)

Drift-Diffusion Matching: Embedding dynamics in latent manifolds of asymmetric neural networks
von: Nartallo-Kaluarachchi, Ramón, et al.
Veröffentlicht: (2026)

Stable Attractors for Neural networks classification via Ordinary Differential Equations (SA-nODE)
von: Marino, Raffaele, et al.
Veröffentlicht: (2023)

Phase transitions in the mini-batch size for sparse and dense two-layer neural networks
von: Marino, Raffaele, et al.
Veröffentlicht: (2023)

Introduction to dynamical mean-field theory of randomly connected neural networks with bidirectionally correlated couplings
von: Zou, Wenxuan, et al.
Veröffentlicht: (2023)

Banded non-Hermitian random matrices, neural networks, and eigenvalue degeneracies
von: Huang, Richard, et al.
Veröffentlicht: (2026)

Dynamical stability for dense patterns in discrete attractor neural networks
von: Cohen, Uri, et al.
Veröffentlicht: (2025)

Dataset-learning duality and emergent criticality
von: Kukleva, Ekaterina, et al.
Veröffentlicht: (2024)

Information content in continuous attractor neural networks is preserved in the presence of moderate disordered background connectivity
von: Kühn, Tobias, et al.
Veröffentlicht: (2023)

Non-linear classification capability of quantum neural networks due to emergent quantum metastability
von: Boneberg, Mario, et al.
Veröffentlicht: (2024)

Statistical mechanics of transfer learning in fully-connected networks in the proportional limit
von: Ingrosso, Alessandro, et al.
Veröffentlicht: (2024)

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)

Feature learning from non-Gaussian inputs: the case of Independent Component Analysis in high dimensions
von: Ricci, Fabiola, et al.
Veröffentlicht: (2025)

Predictive power of a Bayesian effective action for fully-connected one hidden layer neural networks in the proportional limit
von: Baglioni, P., et al.
Veröffentlicht: (2024)

Sampling the space of solutions of an artificial neural network
von: Zambon, Alessandro, et al.
Veröffentlicht: (2025)

Fundamental operating regimes, hyper-parameter fine-tuning and glassiness: towards an interpretable replica-theory for trained restricted Boltzmann machines
von: Fachechi, Alberto, et al.
Veröffentlicht: (2024)

Optimal Protocols for Continual Learning via Statistical Physics and Control Theory
von: Mori, Francesco, et al.
Veröffentlicht: (2024)

Transfer Learning in $\ell_1$ Regularized Regression: Hyperparameter Selection Strategy based on Sharp Asymptotic Analysis
von: Okajima, Koki, et al.
Veröffentlicht: (2024)

Generalization vs. Specialization under Concept Shift
von: Nguyen, Alex, et al.
Veröffentlicht: (2024)

Gaussian Universality in Neural Network Dynamics with Generalized Structured Input Distributions
von: Bae, Jaeyong, et al.
Veröffentlicht: (2024)

Nonequilbrium physics of generative diffusion models
von: Yu, Zhendong, et al.
Veröffentlicht: (2024)