Buchumschlag

EUGens: Efficient, Unified, and General Dense Layers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Sang Min, Kim, Byeongchan, Sehanobish, Arijit, Chowdhury, Somnath Basu Roy, Kidambi, Rahul, Shim, Dongseok, Dubey, Avinava, Chaturvedi, Snigdha, Oh, Min-hwan, Choromanski, Krzysztof
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

EUGens: Efficient, Unified, and General Dense Layers
von: Kim, Sang Min, et al.
Veröffentlicht: (2026)

RelFlexformer: Efficient Attention 3D-Transformers for Integrable Relative Positional Encodings
von: Kim, Byeongchan, et al.
Veröffentlicht: (2026)

Towards Scalable Exact Machine Unlearning Using Parameter-Efficient Fine-Tuning
von: Chowdhury, Somnath Basu Roy, et al.
Veröffentlicht: (2024)

Fast Tree-Field Integrators: From Low Displacement Rank to Topological Transformers
von: Choromanski, Krzysztof, et al.
Veröffentlicht: (2024)

Structured Unrestricted-Rank Matrices for Parameter Efficient Fine-tuning
von: Sehanobish, Arijit, et al.
Veröffentlicht: (2024)

Optimal Time Complexity Algorithms for Computing General Random Walk Graph Kernels on Sparse Graphs
von: Choromanski, Krzysztof, et al.
Veröffentlicht: (2024)

Computationally-efficient Graph Modeling with Refined Graph Random Features
von: Choromanski, Krzysztof, et al.
Veröffentlicht: (2025)

Scalable Neural Network Kernels
von: Sehanobish, Arijit, et al.
Veröffentlicht: (2023)

SWING: Unlocking Implicit Graph Representations for Graph Random Features
von: Manenti, Alessandro, et al.
Veröffentlicht: (2026)

Fundamental Limits of Perfect Concept Erasure
von: Chowdhury, Somnath Basu Roy, et al.
Veröffentlicht: (2025)

Enhancing Group Fairness in Online Settings Using Oblique Decision Forests
von: Chowdhury, Somnath Basu Roy, et al.
Veröffentlicht: (2023)

Peng's Q($λ$) for Conservative Value Estimation in Offline Reinforcement Learning
von: Kim, Byeongchan, et al.
Veröffentlicht: (2026)

Latent Representation Alignment for Offline Goal-Conditioned Reinforcement Learning
von: Kang, Hyungkyu, et al.
Veröffentlicht: (2026)

Inference-time Unlearning Using Conformal Prediction
von: Chowdhury, Somnath Basu Roy, et al.
Veröffentlicht: (2026)

Incremental Extractive Opinion Summarization Using Cover Trees
von: Chowdhury, Somnath Basu Roy, et al.
Veröffentlicht: (2024)

Embodied AI with Two Arms: Zero-shot Learning, Safety and Modularity
von: Varley, Jake, et al.
Veröffentlicht: (2024)

Exploring Safety-Utility Trade-Offs in Personalized Language Models
von: Vijjini, Anvesh Rao, et al.
Veröffentlicht: (2024)

Auctions with LLM Summaries
von: Dubey, Kumar Avinava, et al.
Veröffentlicht: (2024)

Unified Framework of Distributional Regret in Multi-Armed Bandits and Reinforcement Learning
von: Lee, Harin, et al.
Veröffentlicht: (2026)

ADAM Optimization with Adaptive Batch Selection
von: Kim, Gyu Yeol, et al.
Veröffentlicht: (2025)

Queueing Matching Bandits with Preference Feedback
von: Kim, Jung-hun, et al.
Veröffentlicht: (2024)

Stochastic Matching Bandits with Rare Optimization Updates
von: Kim, Jung-hun, et al.
Veröffentlicht: (2025)

Convergence of Muon with Newton-Schulz
von: Kim, Gyu Yeol, et al.
Veröffentlicht: (2026)

Dynamic Assortment Selection and Pricing with Censored Preference Feedback
von: Kim, Jung-hun, et al.
Veröffentlicht: (2025)

Local Anti-Concentration Class: Logarithmic Regret for Greedy Linear Contextual Bandit
von: Kim, Seok-Jin, et al.
Veröffentlicht: (2024)

Multi-Step Likelihood-Ratio Correction for Reinforcement Learning with Verifiable Rewards
von: Yoon, Deokgyu, et al.
Veröffentlicht: (2026)

Tractable Multinomial Logit Contextual Bandits with Non-Linear Utilities
von: Hwang, Taehyun, et al.
Veröffentlicht: (2026)

Follow-the-Perturbed-Leader for Decoupled Bandits: Best-of-Both-Worlds and Practicality
von: Kim, Chaiwon, et al.
Veröffentlicht: (2025)

Symmetry-Aware GFlowNets
von: Kim, Hohyun, et al.
Veröffentlicht: (2025)

Not How Many, But Which: Parameter Placement in Low-Rank Adaptation
von: Sehanobish, Arijit, et al.
Veröffentlicht: (2026)

Experimental Design for Semiparametric Bandits
von: Kim, Seok-Jin, et al.
Veröffentlicht: (2025)

Oracle-Efficient Combinatorial Semi-Bandits
von: Kim, Jung-hun, et al.
Veröffentlicht: (2025)

A Ridge Too Far: Correcting Over-Shrinkage via Negative Regularization
von: Kim, Dongseok, et al.
Veröffentlicht: (2025)

Object Remover Performance Evaluation Methods using Class-wise Object Removal Images
von: Oh, Changsuk, et al.
Veröffentlicht: (2024)

Blessings of Multiple Good Arms in Multi-Objective Linear Bandits
von: Ann, Heesang, et al.
Veröffentlicht: (2026)

Infrequent Exploration in Linear Bandits
von: Lee, Harin, et al.
Veröffentlicht: (2025)

Demystifying Linear MDPs and Novel Dynamics Aggregation Framework
von: Lee, Joongkyu, et al.
Veröffentlicht: (2024)

Model-Based Reinforcement Learning with Multinomial Logistic Function Approximation
von: Hwang, Taehyun, et al.
Veröffentlicht: (2022)

Improved Online Confidence Bounds for Multinomial Logistic Bandits
von: Lee, Joongkyu, et al.
Veröffentlicht: (2025)

Minimax Optimal Reinforcement Learning with Quasi-Optimism
von: Lee, Harin, et al.
Veröffentlicht: (2025)