Buchumschlag

Preserving Vector Space Properties in Dimensionality Reduction: A Relationship Preserving Loss Framework

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Weinwurm, Eddi, Kovalenko, Alexander
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DPF-CM: A Data Processing Framework with Privacy-Preserving Vector Databases for Chinese Medical LLMs Training and Deployment
von: Huang, Wei, et al.
Veröffentlicht: (2025)

Geometry Preserving Loss Functions Promote Improved Adaptation of Blackbox Generative Model
von: Mitra, Sinjini, et al.
Veröffentlicht: (2026)

On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation
von: Galozy, Alexander
Veröffentlicht: (2026)

NdLinear: Preserving Multi-Dimensional Structure for Parameter-Efficient Neural Networks
von: Reneau, Alex, et al.
Veröffentlicht: (2025)

Order-Preserving Dimension Reduction for Multimodal Semantic Embedding
von: Gong, Chengyu, et al.
Veröffentlicht: (2024)

Cardinality-Preserving Attention Channels for Graph Transformers in Molecular Property Prediction
von: Gupta, Abhijit
Veröffentlicht: (2026)

Conformal Prediction for Privacy-Preserving Machine Learning
von: Balinsky, Alexander David, et al.
Veröffentlicht: (2025)

NoWag: A Unified Framework for Shape Preserving Compression of Large Language Models
von: Liu, Lawrence, et al.
Veröffentlicht: (2025)

Model-Preserving Adaptive Rounding
von: Tseng, Albert, et al.
Veröffentlicht: (2025)

Order-Preserving GFlowNets
von: Chen, Yihang, et al.
Veröffentlicht: (2023)

Entropy-Preserving Reinforcement Learning
von: Petrenko, Aleksei, et al.
Veröffentlicht: (2026)

A Survey on Structure-Preserving Graph Transformers
von: Hoang, Van Thuy, et al.
Veröffentlicht: (2024)

PAC Privacy Preserving Diffusion Models
von: Xu, Qipan, et al.
Veröffentlicht: (2023)

SPAR: Support-Preserving Action Rectification
von: Zhao, Jiaxin, et al.
Veröffentlicht: (2026)

Rotation-Preserving Supervised Fine-Tuning
von: Jin, Hangzhan, et al.
Veröffentlicht: (2026)

DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data
von: Ilaty, Arshia, et al.
Veröffentlicht: (2026)

Preserving Seasonal and Trend Information: A Variational Autoencoder-Latent Space Arithmetic Based Approach for Non-stationary Learning
von: Wasswa, Hassan, et al.
Veröffentlicht: (2025)

Dimensionality Reduction in Sentence Transformer Vector Databases with Fast Fourier Transform
von: Bulgakov, Vitaly, et al.
Veröffentlicht: (2024)

Anonymous-by-Construction: An LLM-Driven Framework for Privacy-Preserving Text
von: Albanese, Federico, et al.
Veröffentlicht: (2026)

Soft-Label Training Preserves Epistemic Uncertainty
von: Singh, Agamdeep, et al.
Veröffentlicht: (2025)

Preserving Temporal Dynamics in Time Series Generation
von: Lin, Ci, et al.
Veröffentlicht: (2026)

Understanding and Preserving Safety in Fine-Tuned LLMs
von: Zhang, Jiawen, et al.
Veröffentlicht: (2026)

Auditing Fairness under Model Updates: Fundamental Complexity and Property-Preserving Updates
von: Ajarra, Ayoub, et al.
Veröffentlicht: (2026)

Federated Learning: A Survey on Privacy-Preserving Collaborative Intelligence
von: Rahman, Ratun
Veröffentlicht: (2025)

Reinforcement Learning with LTL and $ω$-Regular Objectives via Optimality-Preserving Translation to Average Rewards
von: Le, Xuan-Bach, et al.
Veröffentlicht: (2024)

Preserving Plasticity in Continual Learning with Adaptive Linearity Injection
von: Rohani, Seyed Roozbeh Razavi, et al.
Veröffentlicht: (2025)

TokenSqueeze: Performance-Preserving Compression for Reasoning LLMs
von: Zhang, Yuxiang, et al.
Veröffentlicht: (2025)

Operationalizing Data Minimization for Privacy-Preserving LLM Prompting
von: Zhou, Jijie, et al.
Veröffentlicht: (2025)

Privacy Preserving Reinforcement Learning with One-Sided Feedback
von: Cong, Lin William, et al.
Veröffentlicht: (2026)

Preserving logical and functional dependencies in synthetic tabular data
von: Umesh, Chaithra, et al.
Veröffentlicht: (2024)

Privacy-Preserving Federated Learning Framework for Distributed Chemical Process Optimization
von: Pipattaratonchai, Teetat, et al.
Veröffentlicht: (2026)

Navigating the Effect of Parametrization for Dimensionality Reduction
von: Huang, Haiyang, et al.
Veröffentlicht: (2024)

A Survey of Personalized Federated Foundation Models for Privacy-Preserving Recommendation
von: Li, Zhiwei, et al.
Veröffentlicht: (2025)

A Privacy-Preserving Cloud Architecture for Distributed Machine Learning at Scale
von: Punniyamoorthy, Vinoth, et al.
Veröffentlicht: (2025)

Orchestrating Heterogeneous Experts: A Scalable MoE Framework with Anisotropy-Preserving Fusion
von: Liu, Ye, et al.
Veröffentlicht: (2025)

Rethinking Graph Contrastive Learning through Relative Similarity Preservation
von: Ning, Zhiyuan, et al.
Veröffentlicht: (2025)

Efficient Utility-Preserving Machine Unlearning with Implicit Gradient Surgery
von: Zhou, Shiji, et al.
Veröffentlicht: (2025)

Beyond Output Faithfulness: Learning Attributions that Preserve Computational Pathways
von: Zhang, Siyu, et al.
Veröffentlicht: (2025)

Improving Epidemic Analyses with Privacy-Preserving Integration of Sensitive Data
von: Guan, Zihan, et al.
Veröffentlicht: (2025)

Debiasing Online Preference Learning via Preference Feature Preservation
von: Kim, Dongyoung, et al.
Veröffentlicht: (2025)