Copertina

Learning to Dissipate Energy in Oscillatory State-Space Models

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Boyer, Jared, Rusch, T. Konstantin, Rus, Daniela
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Oscillatory State-Space Models
di: Rusch, T. Konstantin, et al.
Pubblicazione: (2024)

The Curious Case of In-Training Compression of State Space Models
di: Chahine, Makram, et al.
Pubblicazione: (2025)

Quantifying Memory Use in Reinforcement Learning with Temporal Range
di: Lafuente-Mercado, Rodney, et al.
Pubblicazione: (2025)

Low Stein Discrepancy via Message-Passing Monte Carlo
di: Kirk, Nathan, et al.
Pubblicazione: (2025)

Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks
di: Rusch, T. Konstantin, et al.
Pubblicazione: (2024)

The Key to State Reduction in Linear Attention: A Rank-based Perspective
di: Nazari, Philipp, et al.
Pubblicazione: (2026)

Neural Low-Discrepancy Sequences
di: Van Huffel, Michael Etienne, et al.
Pubblicazione: (2025)

Low-Pass Flow Matching
di: Ruscio, Francesco M., et al.
Pubblicazione: (2026)

Parallelization of Non-linear State-Space Models: Scaling Up Liquid-Resistance Liquid-Capacitance Networks for Efficient Sequence Modeling
di: Farsang, Mónika, et al.
Pubblicazione: (2025)

Relaxed Equivariance via Multitask Learning
di: Elhag, Ahmed A., et al.
Pubblicazione: (2024)

Preconditioned DeltaNet: Curvature-aware Sequence Modeling for Linear Recurrences
di: Tumma, Neehal, et al.
Pubblicazione: (2026)

PoSafeNet: Safe Learning with Poset-Structured Neural Nets
di: Wong, Kiwan, et al.
Pubblicazione: (2026)

State Space Models Naturally Produce Time Cell and Oscillatory Behaviors and Scale to Abstract Cognitive Functions
di: Lu, Sen, et al.
Pubblicazione: (2025)

HiPPO-Prophecy: State-Space Models can Provably Learn Dynamical Systems in Context
di: Joseph, Federico Arangath, et al.
Pubblicazione: (2024)

The Impact of Model Zoo Size and Composition on Weight Space Learning
di: Falk, Damian, et al.
Pubblicazione: (2025)

ABNet: Attention BarrierNet for Safe and Scalable Robot Learning
di: Xiao, Wei, et al.
Pubblicazione: (2024)

Hebbian-Oscillatory Co-Learning
di: Hays, Hasi
Pubblicazione: (2026)

Safe Neural Control for Non-Affine Control Systems with Differentiable Control Barrier Functions
di: Xiao, Wei, et al.
Pubblicazione: (2023)

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

Machine Learning Models to Identify Promising Nested Antiresonance Nodeless Fiber Designs
di: Eltaieb, Rania A., et al.
Pubblicazione: (2026)

Model Merging by Output-Space Projection
di: Evans, Bethan, et al.
Pubblicazione: (2026)

Neural Operators Meet Energy-based Theory: Operator Learning for Hamiltonian and Dissipative PDEs
di: Tanaka, Yusuke, et al.
Pubblicazione: (2024)

Looped SSMs: Depth-Recurrence and Input Reshaping for Time Series Classification
di: Farsang, Mónika, et al.
Pubblicazione: (2026)

Exemplar-Free Continual Learning for State Space Models
di: Lee, Isaac Ning, et al.
Pubblicazione: (2025)

Latent Matters: Learning Deep State-Space Models
di: Klushyn, Alexej, et al.
Pubblicazione: (2026)

Improving Efficiency of Sampling-based Motion Planning via Message-Passing Monte Carlo
di: Chahine, Makram, et al.
Pubblicazione: (2024)

Interpretable Imitation Learning via Generative Adversarial STL Inference and Control
di: Liu, Wenliang, et al.
Pubblicazione: (2024)

AIRE-Prune: Asymptotic Impulse-Response Energy for State Pruning in State Space Models
di: Padhy, Apurba Prasad, et al.
Pubblicazione: (2026)

Stuart-Landau Oscillatory Graph Neural Network
di: Zhang, Kaicheng, et al.
Pubblicazione: (2025)

Learning Local Causal World Models with State Space Models and Attention
di: Petri, Francesco, et al.
Pubblicazione: (2025)

Artificial Kuramoto Oscillatory Neurons
di: Miyato, Takeru, et al.
Pubblicazione: (2024)

Graph Mamba: Towards Learning on Graphs with State Space Models
di: Behrouz, Ali, et al.
Pubblicazione: (2024)

How does over-squashing affect the power of GNNs?
di: Di Giovanni, Francesco, et al.
Pubblicazione: (2023)

BioOSS: A Bio-Inspired Oscillatory State System with Spatio-Temporal Dynamics
di: Yuan, Zhongju, et al.
Pubblicazione: (2025)

Learning with Chemical versus Electrical Synapses -- Does it Make a Difference?
di: Farsang, Mónika, et al.
Pubblicazione: (2023)

Spectral State Space Models
di: Agarwal, Naman, et al.
Pubblicazione: (2023)

Regularization-Based Efficient Continual Learning in Deep State-Space Models
di: Zhang, Yuanhang, et al.
Pubblicazione: (2024)

Hyper-Representations: Learning from Populations of Neural Networks
di: Schürholt, Konstantin
Pubblicazione: (2024)

Active Human Feedback Collection via Neural Contextual Dueling Bandits
di: Verma, Arun, et al.
Pubblicazione: (2025)

What Can We Learn from State Space Models for Machine Learning on Graphs?
di: Huang, Yinan, et al.
Pubblicazione: (2024)