Buchumschlag

Is network fragmentation a useful complexity measure?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mouton, Coenraad, Rabe, Randle, Haasbroek, Daniël G., Theunissen, Marthinus W., Potgieter, Hermanus L., Davel, Marelie H.
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

Impact of Batch Normalization on Convolutional Network Representations
von: Potgieter, Hermanus L., et al.
Veröffentlicht: (2025)

Does simple trump complex? Comparing strategies for adversarial robustness in DNNs
von: Brooks, William, et al.
Veröffentlicht: (2025)

KnowIt: Deep Time Series Modeling and Interpretation
von: Theunissen, M. W., et al.
Veröffentlicht: (2025)

On margin-based generalization prediction in deep neural networks
von: Mouton, Coenraad
Veröffentlicht: (2024)

Neural Network-based Vehicular Channel Estimation Performance: Effect of Noise in the Training Set
von: Ngorima, Simbarashe Aldrin, et al.
Veröffentlicht: (2025)

Useful nonrobust features are ubiquitous in biomedical images
von: Mouton, Coenraad, et al.
Veröffentlicht: (2026)

Pre-training a Transformer-Based Generative Model Using a Small Sepedi Dataset
von: Ramalepe, Simon P., et al.
Veröffentlicht: (2025)

A Data Pilot-Aided Temporal Convolutional Network for Channel Estimation in IEEE 802.11p Vehicle-to-Vehicle Communications
von: Ngorima, Simbarashe Aldrin, et al.
Veröffentlicht: (2025)

Friction on Demand: A Generative Framework for the Inverse Design of Metainterfaces
von: Mouton, Valentin, et al.
Veröffentlicht: (2025)

The sampling complexity of learning invertible residual neural networks
von: Li, Yuanyuan, et al.
Veröffentlicht: (2024)

Modeling subgrid scale production rates on complex meshes using graph neural networks
von: Dash, Priyabrat, et al.
Veröffentlicht: (2026)

Super-resolution of turbulent reacting flows on complex meshes using graph neural networks
von: Dash, Priyabrat, et al.
Veröffentlicht: (2026)

$Δ$-PINNs: physics-informed neural networks on complex geometries
von: Costabal, Francisco Sahli, et al.
Veröffentlicht: (2022)

Predicting DNA fragmentation: A non-destructive analogue to chemical assays using machine learning
von: Jacobs, Byron A, et al.
Veröffentlicht: (2024)

Reconstructing networks from simple and complex contagions
von: Landry, Nicholas W., et al.
Veröffentlicht: (2024)

Spelling Bee Embeddings for Language Modeling
von: Rabe, Markus N., et al.
Veröffentlicht: (2026)

BayesFlow: Learning complex stochastic models with invertible neural networks
von: Radev, Stefan T., et al.
Veröffentlicht: (2020)

Stretched and measured neural predictions of complex network dynamics
von: Vasiliauskaite, Vaiva, et al.
Veröffentlicht: (2023)

Warm-starting active-set solvers using graph neural networks
von: Schmidtobreick, Ella J., et al.
Veröffentlicht: (2025)

Modeling Transformers as complex networks to analyze learning dynamics
von: Rocchetti, Elisabetta
Veröffentlicht: (2025)

Demonstrating Multi-Suction Item Picking at Scale via Multi-Modal Learning of Pick Success
von: Wang, Che, et al.
Veröffentlicht: (2025)

Motif distribution and function of sparse deep neural networks
von: Zahn, Olivia T., et al.
Veröffentlicht: (2024)

Resolution invariant deep operator network for PDEs with complex geometries
von: Huang, Jianguo, et al.
Veröffentlicht: (2024)

Dynamical systems and complex networks: A Koopman operator perspective
von: Klus, Stefan, et al.
Veröffentlicht: (2024)

Fixed points of nonnegative neural networks
von: Piotrowski, Tomasz J., et al.
Veröffentlicht: (2021)

Universal approximation with complex-valued deep narrow neural networks
von: Geuchen, Paul, et al.
Veröffentlicht: (2023)

When do complex-valued neural networks help? A study of representation, geometry, and optimization
von: Kumar, Ashutosh
Veröffentlicht: (2026)

Reconstructions of Jupiter's magnetic field using physics informed neural networks
von: Livermore, Philip W., et al.
Veröffentlicht: (2024)

Learning to accelerate distributed ADMM using graph neural networks
von: Doerks, Henri, et al.
Veröffentlicht: (2025)

Not a fragment, but the whole: Map-based evaluation of data-driven Fire Danger Index models
von: Alvi, Shahbaz, et al.
Veröffentlicht: (2026)

On the Fundamental Arithmetical Structure and Distribution of Lucky Numbers
von: Dreeckmeier, Marthinus Michael
Veröffentlicht: (2025)

Sample complexity of data-driven tuning of model hyperparameters in neural networks with structured parameter-dependent dual function
von: Balcan, Maria-Florina, et al.
Veröffentlicht: (2025)

Physics-informed mixture of experts network for interpretable battery degradation trajectory computation amid second-life complexities
von: Huang, Xinghao, et al.
Veröffentlicht: (2025)

Predicting soccer matches with complex networks and machine learning
von: Baratela, Eduardo Alves, et al.
Veröffentlicht: (2024)

Multinomial belief networks for healthcare data
von: Donker, H. C., et al.
Veröffentlicht: (2023)

Smoothness and monotonicity constraints for neural networks using ICEnet
von: Richman, Ronald, et al.
Veröffentlicht: (2023)

Prediction of flow and elastic stresses in a viscoelastic turbulent channel flow using convolutional neural networks
von: Balasubramanian, Arivazhagan G., et al.
Veröffentlicht: (2024)

Task complexity shapes internal representations and robustness in neural networks
von: Jankowski, Robert, et al.
Veröffentlicht: (2025)

GaborPINN: Efficient physics informed neural networks using multiplicative filtered networks
von: Huang, Xinquan, et al.
Veröffentlicht: (2023)

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