Buchumschlag

How many classifiers do we need?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Hyunsuk, Hodgkinson, Liam, Theisen, Ryan, Mahoney, Michael W.
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

Models of Heavy-Tailed Mechanistic Universality
von: Hodgkinson, Liam, et al.
Veröffentlicht: (2025)

Uncertainty-Aware Diagnostics for Physics-Informed Machine Learning
von: Daniels, Mara, et al.
Veröffentlicht: (2025)

How many classes do we need to see for novel class discovery?
von: Sarkar, Akanksha, et al.
Veröffentlicht: (2025)

Spectral Estimation with Free Decompression
von: Ameli, Siavash, et al.
Veröffentlicht: (2025)

Free Decompression with Algebraic Spectral Curves
von: Ameli, Siavash, et al.
Veröffentlicht: (2026)

The Interpolating Information Criterion for Overparameterized Models
von: Hodgkinson, Liam, et al.
Veröffentlicht: (2023)

A Regularization-Sharpness Tradeoff for Linear Interpolators
von: Hu, Qingyi, et al.
Veröffentlicht: (2026)

How many simulations do we need for simulation-based inference in cosmology?
von: Bairagi, Anirban, et al.
Veröffentlicht: (2025)

Determinant Estimation under Memory Constraints and Neural Scaling Laws
von: Ameli, Siavash, et al.
Veröffentlicht: (2025)

Unsupervised anomaly detection algorithms on real-world data: how many do we need?
von: Bouman, Roel, et al.
Veröffentlicht: (2023)

Is the Last Layer Sufficient for Uncertainty Quantification?
von: Wilson, Joseph, et al.
Veröffentlicht: (2026)

Uncertainty Quantification with the Empirical Neural Tangent Kernel
von: Wilson, Joseph, et al.
Veröffentlicht: (2025)

How many samples are needed to train a deep neural network?
von: Golestaneh, Pegah, et al.
Veröffentlicht: (2024)

Temperature Optimization for Bayesian Deep Learning
von: Ng, Kenyon, et al.
Veröffentlicht: (2024)

State space models, emergence, and ergodicity: How many parameters are needed for stable predictions?
von: Ziemann, Ingvar, et al.
Veröffentlicht: (2024)

Do we need equivariant models for molecule generation?
von: Nowara, Ewa M., et al.
Veröffentlicht: (2025)

NysAct: A Scalable Preconditioned Gradient Descent using Nystrom Approximation
von: Seung, Hyunseok, et al.
Veröffentlicht: (2025)

MAC: An Efficient Gradient Preconditioning using Mean Activation Approximated Curvature
von: Seung, Hyunseok, et al.
Veröffentlicht: (2025)

Low-Rank Curvature for Zeroth-Order Optimization in LLM Fine-Tuning
von: Seung, Hyunseok, et al.
Veröffentlicht: (2025)

Random Matrix Theory for Deep Learning: Beyond Eigenvalues of Linear Models
von: Liao, Zhenyu, et al.
Veröffentlicht: (2025)

Do we really need the Rademacher complexities?
von: Bartl, Daniel, et al.
Veröffentlicht: (2025)

Recent and Upcoming Developments in Randomized Numerical Linear Algebra for Machine Learning
von: Dereziński, Michał, et al.
Veröffentlicht: (2024)

Statistical Inference of Constrained Stochastic Optimization via Sketched Sequential Quadratic Programming
von: Na, Sen, et al.
Veröffentlicht: (2022)

Towards Scalable and Versatile Weight Space Learning
von: Schürholt, Konstantin, et al.
Veröffentlicht: (2024)

Logistic regression models for patient-level prediction based on massive observational data: Do we need all data?
von: John, Luis H., et al.
Veröffentlicht: (2020)

An Adaptive Method Stabilizing Activations for Enhanced Generalization
von: Seung, Hyunseok, et al.
Veröffentlicht: (2025)

HOPE for a Robust Parameterization of Long-memory State Space Models
von: Yu, Annan, et al.
Veröffentlicht: (2024)

Do we need rebalancing strategies? A theoretical and empirical study around SMOTE and its variants
von: Sakho, Abdoulaye, et al.
Veröffentlicht: (2024)

How adversarial attacks can disrupt seemingly stable accurate classifiers
von: Sutton, Oliver J., et al.
Veröffentlicht: (2023)

A Three-regime Model of Network Pruning
von: Zhou, Yefan, et al.
Veröffentlicht: (2023)

Paving the way for scientific foundation models: enhancing generalization and robustness in PDEs with constraint-aware pre-training
von: Totounferoush, Amin, et al.
Veröffentlicht: (2025)

Learning rheological parameters of non-Newtonian fluids from velocimetry data
von: Kontogiannis, Alexandros, et al.
Veröffentlicht: (2024)

1 bit is all we need: binary normalized neural networks
von: Cabral, Eduardo Lobo Lustoda, et al.
Veröffentlicht: (2025)

Recency Biased Causal Attention for Time-series Forecasting
von: Hegazy, Kareem, et al.
Veröffentlicht: (2025)

Zero-failure testing of binary classifiers
von: Ivrissimtzis, Ioannis, et al.
Veröffentlicht: (2024)

Model Stock: All we need is just a few fine-tuned models
von: Jang, Dong-Hwan, et al.
Veröffentlicht: (2024)

Transferring Graph Neural Networks for Soft Sensor Modeling using Process Topologies
von: Theisen, Maximilian F., et al.
Veröffentlicht: (2025)

A Statistical Framework for Ranking LLM-Based Chatbots
von: Ameli, Siavash, et al.
Veröffentlicht: (2024)

KVQuant: Towards 10 Million Context Length LLM Inference with KV Cache Quantization
von: Hooper, Coleman, et al.
Veröffentlicht: (2024)

Hierarchical mixture of discriminative Generalized Dirichlet classifiers
von: Togban, Elvis, et al.
Veröffentlicht: (2024)