Buchumschlag

Is In-Context Universality Enough? MLPs are Also Universal In-Context

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kratsios, Anastasis, Furuya, Takashi
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Numerical Analysis Neural and Evolutionary Computing Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Approximation Rates in Besov Norms and Sample-Complexity of Kolmogorov-Arnold Networks with Residual Connections
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2025)

Approximation Rates and VC-Dimension Bounds for (P)ReLU MLP Mixture of Experts
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2024)

Bridging the Gap Between Approximation and Learning via Optimal Approximation by ReLU MLPs of Maximal Regularity
von: Hong, Ruiyang, et al.
Veröffentlicht: (2024)

Polynomial Scaling is Possible For Neural Operator Approximations of Structured Families of BSDEs
von: Furuya, Takashi, et al.
Veröffentlicht: (2024)

Low-dimensional approximations of the conditional law of Volterra processes: a non-positive curvature approach
von: Arabpour, Reza, et al.
Veröffentlicht: (2024)

Transformers Can Solve Non-Linear and Non-Markovian Filtering Problems in Continuous Time For Conditionally Gaussian Signals
von: Horvath, Blanka, et al.
Veröffentlicht: (2023)

One model to solve them all: 2BSDE families via neural operators
von: Furuya, Takashi, et al.
Veröffentlicht: (2025)

Higher-Order Transformer Derivative Estimates for Explicit Pathwise Learning Guarantees
von: Limmer, Yannick, et al.
Veröffentlicht: (2024)

Universality and approximation bounds for echo state networks with random weights
von: Li, Zhen, et al.
Veröffentlicht: (2022)

Beyond Universal Approximation Theorems: Algorithmic Uniform Approximation by Neural Networks Trained with Noisy Data
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2025)

MLPs Learn In-Context on Regression and Classification Tasks
von: Tong, William L., et al.
Veröffentlicht: (2024)

Structure-Preserving Reconstruction of Convex Lipschitz Functionals on Hilbert Spaces from Finite Samples
von: Kratsios, Anastasis
Veröffentlicht: (2026)

Neural Snowflakes: Universal Latent Graph Inference via Trainable Latent Geometries
von: Borde, Haitz Sáez de Ocáriz, et al.
Veröffentlicht: (2023)

Semialgebraic Neural Networks: From roots to representations
von: Mis, S. David, et al.
Veröffentlicht: (2025)

HiPreNets: High-Precision Neural Networks through Progressive Training
von: Mulle, Ethan, et al.
Veröffentlicht: (2025)

Deep greedy unfolding: Sorting out argsorting in greedy sparse recovery algorithms
von: Mohammad-Taheri, Sina, et al.
Veröffentlicht: (2025)

rKAN: Rational Kolmogorov-Arnold Networks
von: Aghaei, Alireza Afzal
Veröffentlicht: (2024)

Expressivity and Approximation Properties of Deep Neural Networks with ReLU$^k$ Activation
von: He, Juncai, et al.
Veröffentlicht: (2023)

A third-order finite difference weighted essentially non-oscillatory scheme with shallow neural network
von: Park, Kwanghyuk, et al.
Veröffentlicht: (2024)

Auto-weighted Bayesian Physics-Informed Neural Networks and robust estimations for multitask inverse problems in pore-scale imaging of dissolution
von: Perez, Sarah, et al.
Veröffentlicht: (2023)

QuAKE: Speeding up Model Inference Using Quick and Approximate Kernels for Exponential Non-Linearities
von: Narayanaswami, Sai Kiran, et al.
Veröffentlicht: (2024)

A fast and accurate physics-informed neural network reduced order model with shallow masked autoencoder
von: Kim, Youngkyu, et al.
Veröffentlicht: (2020)

Robust Parameter and State Estimation in Multiscale Neuronal Systems Using Physics-Informed Neural Networks
von: Wei, Changliang, et al.
Veröffentlicht: (2026)

Structured and Balanced Multi-Component and Multi-Layer Neural Networks
von: Zhang, Shijun, et al.
Veröffentlicht: (2024)

Approximating Matrix Functions with Deep Neural Networks and Transformers
von: Padmanabhan, Rahul, et al.
Veröffentlicht: (2026)

Physics-Informed Neural Network based inverse framework for time-fractional differential equations for rheology
von: Thakur, Sukirt, et al.
Veröffentlicht: (2024)

Splitting physics-informed neural networks for inferring the dynamics of integer- and fractional-order neuron models
von: Shekarpaz, Simin, et al.
Veröffentlicht: (2023)

TensorGPT: Efficient Compression of Large Language Models based on Tensor-Train Decomposition
von: Xu, Mingxue, et al.
Veröffentlicht: (2023)

Quantifying The Limits of AI Reasoning: Systematic Neural Network Representations of Algorithms
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2025)

Statistical Guarantees for Reasoning Probes on Looped Boolean Circuits
von: Kratsios, Anastasis, et al.
Veröffentlicht: (2026)

Solving Sparse Finite Element Problems on Neuromorphic Hardware
von: Theilman, Bradley H., et al.
Veröffentlicht: (2025)

A Practitioner's Guide to Kolmogorov-Arnold Networks
von: Noorizadegan, Amir, et al.
Veröffentlicht: (2025)

Stability and Discretization Error of State Space Model Neural Operators
von: Bendahi, Abderrahim, et al.
Veröffentlicht: (2026)

KAN versus MLP on Irregular or Noisy Functions
von: Zeng, Chen, et al.
Veröffentlicht: (2024)

Activations Through Extensions: A Framework To Boost Performance Of Neural Networks
von: Kamanchi, Chandramouli, et al.
Veröffentlicht: (2024)

Do physics-informed neural networks (PINNs) need to be deep? Shallow PINNs using the Levenberg-Marquardt algorithm
von: Shahab, Muhammad Luthfi, et al.
Veröffentlicht: (2026)

Intrinsic Numerical Robustness and Fault Tolerance in a Neuromorphic Algorithm for Scientific Computing
von: Theilman, Bradley H., et al.
Veröffentlicht: (2026)

Softly Symbolifying Kolmogorov-Arnold Networks
von: Bagrow, James, et al.
Veröffentlicht: (2025)

Multi-Exit Kolmogorov-Arnold Networks: enhancing accuracy and parsimony
von: Bagrow, James, et al.
Veröffentlicht: (2025)

Optimized Architectures for Kolmogorov-Arnold Networks
von: Bagrow, James, et al.
Veröffentlicht: (2025)