:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Boža, Vladimír, Macko, Vladimír
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2505.11076
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Two Sparse Matrices are Better than One: Sparsifying Neural Networks with Double Sparse Factorization
von: Boža, Vladimír, et al.
Veröffentlicht: (2024)

MACKO: Sparse Matrix-Vector Multiplication for Low Sparsity
von: Macko, Vladimír, et al.
Veröffentlicht: (2025)

Fast and Effective Weight Update for Pruned Large Language Models
von: Boža, Vladimír
Veröffentlicht: (2024)

Attention and Compression is all you need for Controllably Efficient Language Models
von: Prakash, Jatin, et al.
Veröffentlicht: (2025)

One protein is all you need
von: Bushuiev, Anton, et al.
Veröffentlicht: (2024)

Kolmogorov GAM Networks are all you need!
von: Polson, Sarah, et al.
Veröffentlicht: (2025)

KV-weights are all you need for skipless transformers
von: Graef, Nils
Veröffentlicht: (2024)

Tabular Data: Is Deep Learning all you need?
von: Zabërgja, Guri, et al.
Veröffentlicht: (2024)

Image compositing is all you need for data augmentation
von: Shermaine, Ang Jia Ning, et al.
Veröffentlicht: (2025)

Large Language Models aren't all that you need
von: Holla, Kiran Voderhobli, et al.
Veröffentlicht: (2024)

Experts are all you need: A Composable Framework for Large Language Model Inference
von: Sridharan, Shrihari, et al.
Veröffentlicht: (2025)

Cross-Modal Safety Alignment: Is textual unlearning all you need?
von: Chakraborty, Trishna, et al.
Veröffentlicht: (2024)

Attention is all you need for boosting graph convolutional neural network
von: Wu, Yinwei
Veröffentlicht: (2024)

Linear attention is (maybe) all you need (to understand transformer optimization)
von: Ahn, Kwangjun, et al.
Veröffentlicht: (2023)

Graph is all you need? Lightweight data-agnostic neural architecture search without training
von: Huang, Zhenhan, et al.
Veröffentlicht: (2024)

Simulation-based inference with scattering representations: scattering is all you need
von: Lin, Kiyam, et al.
Veröffentlicht: (2024)

Neural Operator: Is data all you need to model the world? An insight into the paradigm of data-driven scientific ML
von: Viswanath, Hrishikesh, et al.
Veröffentlicht: (2023)

DC is all you need: describing ReLU from a signal processing standpoint
von: Kechris, Christodoulos, et al.
Veröffentlicht: (2024)

Anti-concentration is (almost) all you need
von: Heinrich, Markus, et al.
Veröffentlicht: (2025)

Is attention all you need in medical image analysis? A review
von: Papanastasiou, Giorgos, et al.
Veröffentlicht: (2023)

Few Labels are all you need: A Weakly Supervised Framework for Appliance Localization in Smart-Meter Series
von: Petralia, Adrien, et al.
Veröffentlicht: (2025)

Attention is all you need for an improved CNN-based flash flood susceptibility modeling. The case of the ungauged Rheraya watershed, Morocco
von: Elghouat, Akram, et al.
Veröffentlicht: (2024)

Signformer is all you need: Towards Edge AI for Sign Language
von: Yang, Eta
Veröffentlicht: (2024)

Slim attention: cut your context memory in half without loss -- K-cache is all you need for MHA
von: Graef, Nils, et al.
Veröffentlicht: (2025)

Block removal for large language models through constrained binary optimization
von: Jansen, David, et al.
Veröffentlicht: (2026)

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

Why you don't overfit, and don't need Bayes if you only train for one epoch
von: Aitchison, Laurence
Veröffentlicht: (2024)

Visual cognition in multimodal large language models
von: Buschoff, Luca M. Schulze, et al.
Veröffentlicht: (2023)

Hypothesis generation and updating in large language models
von: Xiong, Hua-Dong
Veröffentlicht: (2026)

Representation in large language models
von: Yetman, Cameron
Veröffentlicht: (2025)

100 instances is all you need: predicting the success of a new LLM on unseen data by testing on a few instances
von: Pacchiardi, Lorenzo, et al.
Veröffentlicht: (2024)

A Bayesian Optimization approach for calibrating large-scale activity-based transport models
von: Agriesti, Serio, et al.
Veröffentlicht: (2023)

Compressed models are NOT miniature versions of large models
von: Rai, Rohit Raj, et al.
Veröffentlicht: (2024)

Amortizing intractable inference in large language models
von: Hu, Edward J., et al.
Veröffentlicht: (2023)

Are nuclear masks all you need for improved out-of-domain generalisation? A closer look at cancer classification in histopathology
von: Tomar, Dhananjay, et al.
Veröffentlicht: (2024)

Alignment faking in large language models
von: Greenblatt, Ryan, et al.
Veröffentlicht: (2024)

AI-AI Bias: large language models favor communications generated by large language models
von: Laurito, Walter, et al.
Veröffentlicht: (2024)

Training microrobots to swim by a large language model
von: Xu, Zhuoqun, et al.
Veröffentlicht: (2024)

Compression is all you need: Modeling Mathematics
von: Aksenov, Vitaly, et al.
Veröffentlicht: (2026)

Layer-wise dynamic rank for compressing large language models
von: Mi, Zhendong, et al.
Veröffentlicht: (2025)