Buchumschlag

Saddle Hierarchy in Dense Associative Memory

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thériault, Robin, Tantari, Daniele
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Disordered Systems and Neural Networks
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dense Hopfield Networks in the Teacher-Student Setting
von: Thériault, Robin, et al.
Veröffentlicht: (2024)

Modeling Structured Data Learning with Restricted Boltzmann Machines in the Teacher-Student Setting
von: Thériault, Robin, et al.
Veröffentlicht: (2024)

The effect of priors on Learning with Restricted Boltzmann Machines
von: Manzan, Gianluca, et al.
Veröffentlicht: (2024)

Hopfield model with planted patterns: a teacher-student self-supervised learning model
von: Alemanno, Francesco, et al.
Veröffentlicht: (2023)

Geometric Entropy and Retrieval Phase Transitions in Continuous Thermal Dense Associative Memory
von: Petrova, Tatiana, et al.
Veröffentlicht: (2026)

Thermal Robustness of Retrieval in Dense Associative Memories: LSE vs LSR Kernels
von: Petrova, Tatiana
Veröffentlicht: (2026)

A Theory of Saddle Escape in Deep Nonlinear Networks
von: Rawal, Divit, et al.
Veröffentlicht: (2026)

Beyond Disorder: Unveiling Cooperativeness in Multidirectional Associative Memories
von: Alessandrelli, Andrea, et al.
Veröffentlicht: (2025)

Dynamical Properties of Dense Associative Memory
von: Mimura, Kazushi, et al.
Veröffentlicht: (2025)

How Deep Networks Learn Sparse and Hierarchical Data: the Sparse Random Hierarchy Model
von: Tomasini, Umberto, et al.
Veröffentlicht: (2024)

Dense Associative Memory with biased patterns: a Replica Symmetric analysis
von: Albanese, Linda, et al.
Veröffentlicht: (2026)

When Can You Get Away with Low Memory Adam?
von: Kalra, Dayal Singh, et al.
Veröffentlicht: (2025)

Demolition and Reinforcement of Memories in Spin-Glass-like Neural Networks
von: Ventura, Enrico
Veröffentlicht: (2024)

The Exponential Capacity of Dense Associative Memories
von: Lucibello, Carlo, et al.
Veröffentlicht: (2023)

Higher-Order Kuramoto Oscillator Network for Dense Associative Memory
von: Nagerl, Jona, et al.
Veröffentlicht: (2025)

Saddles-to-minima topological crossover and glassiness in the Rubik's Cube
von: Gower, Alex, et al.
Veröffentlicht: (2024)

On the supra-linear storage in dense networks of grid and place cells
von: Barra, Adriano, et al.
Veröffentlicht: (2025)

Learning with Restricted Boltzmann Machines: Asymptotics of AMP and GD in High Dimensions
von: Xu, Yizhou, et al.
Veröffentlicht: (2025)

Statistical physics analysis of graph neural networks: Approaching optimality in the contextual stochastic block model
von: Duranthon, O., et al.
Veröffentlicht: (2025)

Siamese Neural Network for Label-Efficient Critical Phenomena Prediction in 3D Percolation Models
von: Wang, Shanshan, et al.
Veröffentlicht: (2025)

Perfect reconstruction of sparse signals using nonconvexity control and one-step RSB message passing
von: Gu, Xiaosi, et al.
Veröffentlicht: (2025)

Statistical Physics of Deep Neural Networks: Generalization Capability, Beyond the Infinite Width, and Feature Learning
von: Ariosto, Sebastiano
Veröffentlicht: (2025)

A solvable model of learning generative diffusion: theory and insights
von: Cui, Hugo, et al.
Veröffentlicht: (2025)

Nonlocal Monte Carlo via Reinforcement Learning
von: Dobrynin, Dmitrii, et al.
Veröffentlicht: (2025)

Graph Neural Network Approach to Predicting Magnetization in Quasi-One-Dimensional Ising Systems
von: Slavin, V., et al.
Veröffentlicht: (2025)

Exploring the Energy Landscape of RBMs: Reciprocal Space Insights into Bosons, Hierarchical Learning and Symmetry Breaking
von: Toledo-Marin, J. Quetzalcóatl, et al.
Veröffentlicht: (2025)

Statistical Advantage of Softmax Attention: Insights from Single-Location Regression
von: Duranthon, O., et al.
Veröffentlicht: (2025)

Where You Place the Norm Matters: From Prejudiced to Neutral Initializations
von: Francazi, Emanuele, et al.
Veröffentlicht: (2025)

Theory of Scaling Laws for In-Context Regression: Depth, Width, Context and Time
von: Bordelon, Blake, et al.
Veröffentlicht: (2025)

Learning curves theory for hierarchically compositional data with power-law distributed features
von: Cagnetta, Francesco, et al.
Veröffentlicht: (2025)

Scaling Laws and Representation Learning in Simple Hierarchical Languages: Transformers vs. Convolutional Architectures
von: Cagnetta, Francesco, et al.
Veröffentlicht: (2025)

Adaptive kernel predictors from feature-learning infinite limits of neural networks
von: Lauditi, Clarissa, et al.
Veröffentlicht: (2025)

Physical Reinforcement Learning
von: Dillavou, Sam, et al.
Veröffentlicht: (2025)

Supervised and Unsupervised protocols for hetero-associative neural networks
von: Alessandrelli, Andrea, et al.
Veröffentlicht: (2025)

Emergent weight morphologies in deep neural networks
von: de Jong, Pascal, et al.
Veröffentlicht: (2025)

Is Grokking a Computational Glass Relaxation?
von: Zhang, Xiaotian, et al.
Veröffentlicht: (2025)

Computing frustration and near-monotonicity in deep neural networks
von: Wendin, Joel, et al.
Veröffentlicht: (2025)

Computational Thresholds in Multi-Modal Learning via the Spiked Matrix-Tensor Model
von: Tabanelli, Hugo, et al.
Veröffentlicht: (2025)

In-context denoising with one-layer transformers: connections between attention and associative memory retrieval
von: Smart, Matthew, et al.
Veröffentlicht: (2025)

Analog Physical Systems Can Exhibit Double Descent
von: Dillavou, Sam, et al.
Veröffentlicht: (2025)