Buchumschlag

Architectural and Inferential Inductive Biases For Exchangeable Sequence Modeling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Mittal, Daksh, Li, Ang, Yen, Tzu-Ching, Guetta, Daniel, Namkoong, Hongseok
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Exchangeable Sequence Models Quantify Uncertainty Over Latent Concepts
von: Ye, Naimeng, et al.
Veröffentlicht: (2024)

Data-Driven Stochastic Modeling Using Autoregressive Sequence Models: Translating Event Tables to Queueing Dynamics
von: Mittal, Daksh, et al.
Veröffentlicht: (2025)

Evaluating Model Performance Under Worst-case Subpopulations
von: Li, Mike, et al.
Veröffentlicht: (2024)

A Planning Framework for Adaptive Labeling
von: Mittal, Daksh, et al.
Veröffentlicht: (2025)

SynthTools: A Framework for Scaling Synthetic Tools for Agent Development
von: Castellani, Tommaso, et al.
Veröffentlicht: (2025)

Empirical Likelihood for Nonsmooth Functionals
von: Namkoong, Hongseok
Veröffentlicht: (2026)

Rethinking Distribution Shifts: Empirical Analysis and Inductive Modeling for Tabular Data
von: Wang, Tianyu, et al.
Veröffentlicht: (2023)

Data Mixture Optimization: A Multi-fidelity Multi-scale Bayesian Framework
von: Yen, Thomson, et al.
Veröffentlicht: (2025)

Benchmarking In-context Experiential Learning Through Repeated Product Recommendations
von: Yang, Gilbert, et al.
Veröffentlicht: (2025)

A Broader View of Thompson Sampling
von: Qu, Yanlin, et al.
Veröffentlicht: (2025)

A Sensitivity Approach to Causal Inference Under Limited Overlap
von: Ma, Yuanzhe, et al.
Veröffentlicht: (2025)

Design and Scheduling of an AI-based Queueing System
von: Lee, Jiung, et al.
Veröffentlicht: (2024)

Distilled Thompson Sampling: Practical and Efficient Thompson Sampling via Imitation Learning
von: Namkoong, Hongseok, et al.
Veröffentlicht: (2020)

Minimax Optimal Estimation of Stability Under Distribution Shift
von: Namkoong, Hongseok, et al.
Veröffentlicht: (2022)

QGym: Scalable Simulation and Benchmarking of Queuing Network Controllers
von: Chen, Haozhe, et al.
Veröffentlicht: (2024)

Optimization-Driven Adaptive Experimentation
von: Che, Ethan, et al.
Veröffentlicht: (2024)

AExGym: Benchmarks and Environments for Adaptive Experimentation
von: Wang, Jimmy, et al.
Veröffentlicht: (2024)

Differentiable Discrete Event Simulation for Queuing Network Control
von: Che, Ethan, et al.
Veröffentlicht: (2024)

Active Exploration via Autoregressive Generation of Missing Data
von: Cai, Tiffany Tianhui, et al.
Veröffentlicht: (2024)

C-Learner: Constrained Learning for Causal Inference
von: Cai, Tiffany Tianhui, et al.
Veröffentlicht: (2024)

Geometric Inductive Biases of Deep Networks: The Role of Data and Architecture
von: Movahedi, Sajad, et al.
Veröffentlicht: (2024)

Contextual Thompson Sampling via Generation of Missing Data
von: Zhang, Kelly W., et al.
Veröffentlicht: (2025)

Temporal Task Diversity: Inductive Biases Under Non-Stationarity in Synthetic Sequence Modelling
von: Aswadi, Afiq Abdillah Effiezal, et al.
Veröffentlicht: (2026)

Incorporating Inductive Biases to Energy-based Generative Models
von: Li, Yukun, et al.
Veröffentlicht: (2025)

Language Models Need Inductive Biases to Count Inductively
von: Chang, Yingshan, et al.
Veröffentlicht: (2024)

Adaptive Elicitation of Latent Information Using Natural Language
von: Wang, Jimmy, et al.
Veröffentlicht: (2025)

LLM Embeddings Improve Test-time Adaptation to Tabular $Y|X$-Shifts
von: Zeng, Yibo, et al.
Veröffentlicht: (2024)

PersonalLLM: Tailoring LLMs to Individual Preferences
von: Zollo, Thomas P., et al.
Veröffentlicht: (2024)

The Good, The Efficient and the Inductive Biases: Exploring Efficiency in Deep Learning Through the Use of Inductive Biases
von: Romero, David W.
Veröffentlicht: (2024)

Priors in Time: Missing Inductive Biases for Language Model Interpretability
von: Lubana, Ekdeep Singh, et al.
Veröffentlicht: (2025)

Transformers Are Born Biased: Structural Inductive Biases at Random Initialization and Their Practical Consequences
von: Li, Siquan, et al.
Veröffentlicht: (2026)

Instilling Inductive Biases with Subnetworks
von: Zhang, Enyan, et al.
Veröffentlicht: (2023)

DRO: A Python Library for Distributionally Robust Optimization in Machine Learning
von: Liu, Jiashuo, et al.
Veröffentlicht: (2025)

How Well Can a Long Sequence Model Model Long Sequences? Comparing Architechtural Inductive Biases on Long-Context Abilities
von: Huang, Jerry
Veröffentlicht: (2024)

Characterising the Inductive Biases of Neural Networks on Boolean Data
von: Mingard, Chris, et al.
Veröffentlicht: (2025)

Theoretical Analysis of Inductive Biases in Deep Convolutional Networks
von: Wang, Zihao, et al.
Veröffentlicht: (2023)

When Diffusion Models Memorize: Inductive Biases in Probability Flow of Minimum-Norm Shallow Neural Nets
von: Zeno, Chen, et al.
Veröffentlicht: (2025)

Clustering Inductive Biases with Unrolled Networks
von: Huml, Jonathan, et al.
Veröffentlicht: (2023)

Customizing the Inductive Biases of Softmax Attention using Structured Matrices
von: Kuang, Yilun, et al.
Veröffentlicht: (2025)

Enhancing the Inductive Biases of Graph Neural ODE for Modeling Dynamical Systems
von: Bishnoi, Suresh, et al.
Veröffentlicht: (2022)