Buchumschlag

Understanding Learning Dynamics Through Structured Representations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nikooroo, Saleh, Engel, Thomas
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

Cross-Model Semantics in Representation Learning
von: Nikooroo, Saleh, et al.
Veröffentlicht: (2025)

Structured Transformations for Stable and Interpretable Neural Computation
von: Nikooroo, Saleh, et al.
Veröffentlicht: (2025)

Belief Graphs with Reasoning Zones: Structure, Dynamics, and Epistemic Activation
von: Nikooroo, Saleh, et al.
Veröffentlicht: (2025)

Reasoning Systems as Structured Processes: Foundations, Failures, and Formal Criteria
von: Nikooroo, Saleh, et al.
Veröffentlicht: (2025)

Toward a Graph-Theoretic Model of Belief: Confidence, Credibility, and Structural Coherence
von: Nikooroo, Saleh
Veröffentlicht: (2025)

Towards Understanding How Transformers Learn In-context Through a Representation Learning Lens
von: Ren, Ruifeng, et al.
Veröffentlicht: (2023)

Understanding the Staged Dynamics of Transformers in Learning Latent Structure
von: Saha, Rohan, et al.
Veröffentlicht: (2025)

Structure-Aware Masking for Protein Representation Learning
von: Walton, Thomas, et al.
Veröffentlicht: (2026)

Characterizing Dynamical Stability of Stochastic Gradient Descent in Overparameterized Learning
von: Chemnitz, Dennis, et al.
Veröffentlicht: (2024)

Understanding Lookahead Dynamics Through Laplace Transform
von: Sanyal, Aniket, et al.
Veröffentlicht: (2025)

Attention-Guided Masked Autoencoders For Learning Image Representations
von: Sick, Leon, et al.
Veröffentlicht: (2024)

Learning to Perceive the World Through Control: Empowerment-Based Representation Learning
von: Bastankhah, Mahsa, et al.
Veröffentlicht: (2026)

Statistical Properties of the log-cosh Loss Function Used in Machine Learning
von: Saleh, Resve A., et al.
Veröffentlicht: (2022)

Advancing Eurasia Fire Understanding Through Machine Learning Techniques
von: Kriuk, Boris
Veröffentlicht: (2025)

The Alchemy of Thought: Understanding In-Context Learning Through Supervised Classification
von: Narnoli, Harshita, et al.
Veröffentlicht: (2026)

DroughtSet: Understanding Drought Through Spatial-Temporal Learning
von: Tan, Xuwei, et al.
Veröffentlicht: (2024)

Towards Understanding the Benefit of Multitask Representation Learning in Decision Process
von: Lu, Rui, et al.
Veröffentlicht: (2025)

What Do GNNs Actually Learn? Towards Understanding their Representations
von: Nikolentzos, Giannis, et al.
Veröffentlicht: (2023)

A Survey of Weight Space Learning: Understanding, Representation, and Generation
von: Han, Xiaolong, et al.
Veröffentlicht: (2026)

Understanding Deep Learning defenses Against Adversarial Examples Through Visualizations for Dynamic Risk Assessment
von: Echeberria-Barrio, Xabier, et al.
Veröffentlicht: (2024)

Enhancing Courier Scheduling in Crowdsourced Last-Mile Delivery through Dynamic Shift Extensions: A Deep Reinforcement Learning Approach
von: Saleh, Zead, et al.
Veröffentlicht: (2024)

Constrained Machine Learning Through Hyperspherical Representation
von: Signorelli, Gaetano, et al.
Veröffentlicht: (2025)

Dynamical Implicit Neural Representations
von: Park, Yesom, et al.
Veröffentlicht: (2025)

DynamicRTL: RTL Representation Learning for Dynamic Circuit Behavior
von: Ma, Ruiyang, et al.
Veröffentlicht: (2025)

KinForm: Kinetics Informed Feature Optimised Representation Models for Enzyme $k_{cat}$ and $K_{M}$ Prediction
von: Alwer, Saleh, et al.
Veröffentlicht: (2025)

Radial-VCReg: More Informative Representation Learning Through Radial Gaussianization
von: Kuang, Yilun, et al.
Veröffentlicht: (2026)

Koopman Autoencoders Learn Neural Representation Dynamics
von: Aswani, Nishant Suresh, et al.
Veröffentlicht: (2025)

Understanding Structural Representation in Foundation Models for Polymers
von: Park, Nathaniel H., et al.
Veröffentlicht: (2025)

Achieving Upper Bound Accuracy of Joint Training in Continual Learning
von: Momeni, Saleh, et al.
Veröffentlicht: (2025)

EvoFormer: Learning Dynamic Graph-Level Representations with Structural and Temporal Bias Correction
von: Zhong, Haodi, et al.
Veröffentlicht: (2025)

Understanding Representation Learnability of Nonlinear Self-Supervised Learning
von: Yang, Ruofeng, et al.
Veröffentlicht: (2024)

When Representations Align: Universality in Representation Learning Dynamics
von: van Rossem, Loek, et al.
Veröffentlicht: (2024)

Dynamic Scene Understanding from Vision-Language Representations
von: Pruss, Shahaf, et al.
Veröffentlicht: (2025)

Examining Changes in Internal Representations of Continual Learning Models Through Tensor Decomposition
von: Aswani, Nishant Suresh, et al.
Veröffentlicht: (2024)

Cheeger--Hodge Contrastive Learning for Structurally Robust Graph Representation Learning
von: Zhao, Mengyang, et al.
Veröffentlicht: (2026)

Dynamic Time-aware Continual User Representation Learning
von: Choi, Seungyoon, et al.
Veröffentlicht: (2025)

Marrying Causal Representation Learning with Dynamical Systems for Science
von: Yao, Dingling, et al.
Veröffentlicht: (2024)

Dynamic Graph Representation Learning for Passenger Behavior Prediction
von: Xie, Mingxuan, et al.
Veröffentlicht: (2024)

Foundation Model's Embedded Representations May Detect Distribution Shift
von: Vargas, Max, et al.
Veröffentlicht: (2023)

RiboSphere: Learning Unified and Efficient Representations of RNA Structures
von: Zhang, Zhou, et al.
Veröffentlicht: (2026)