Buchumschlag

Fisher information flow in artificial neural networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Weimar, Maximilian, Rachbauer, Lukas M., Starshynov, Ilya, Faccio, Daniele, Adilova, Linara, Bouchet, Dorian, Rotter, Stefan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Model-free estimation of the Cramér-Rao bound for deep-learning microscopy in complex media
von: Starshynov, Ilya, et al.
Veröffentlicht: (2025)

Mutual information and task-relevant latent dimensionality
von: Gulati, Paarth, et al.
Veröffentlicht: (2026)

Inferring parameters and reconstruction of two-dimensional turbulent flows with physics-informed neural networks
von: Parfenyev, Vladimir, et al.
Veröffentlicht: (2024)

Phase transitions reveal hierarchical structure in deep neural networks
von: Ersoy, Ibrahim Talha, et al.
Veröffentlicht: (2025)

Physics-informed neural operators for the in situ characterization of locally reacting sound absorbers
von: Schmid, Jonas M., et al.
Veröffentlicht: (2026)

Data efficiency, dimensionality reduction, and the generalized symmetric information bottleneck
von: Martini, K. Michael, et al.
Veröffentlicht: (2023)

Low-power multi-mode fiber projector overcomes shallow neural networks classifiers
von: Ancora, Daniele, et al.
Veröffentlicht: (2022)

Similarity Learning with neural networks
von: Sanfins, Gabriel, et al.
Veröffentlicht: (2024)

Iterative variational learning of committor-consistent transition pathways using artificial neural networks
von: Megías, Alberto, et al.
Veröffentlicht: (2024)

Leveraging chaotic transients in the training of artificial neural networks
von: Jiménez-González, Pedro, et al.
Veröffentlicht: (2025)

Thermodynamically rational decision making under uncertainty
von: Daimer, Dorian, et al.
Veröffentlicht: (2023)

Simultaneous Dimensionality Reduction: A Data Efficient Approach for Multimodal Representations Learning
von: Abdelaleem, Eslam, et al.
Veröffentlicht: (2023)

Flow field tomography with uncertainty quantification using a Bayesian physics-informed neural network
von: Molnar, Joseph P., et al.
Veröffentlicht: (2021)

Self-consistent gravity model for inferring node mass in flow networks
von: Lee, Daekyung, et al.
Veröffentlicht: (2021)

Dynamical stability and chaos in artificial neural network trajectories along training
von: Danovski, Kaloyan, et al.
Veröffentlicht: (2024)

Extreme heatwave sampling and prediction with analog Markov chain and comparisons with deep learning
von: Miloshevich, George, et al.
Veröffentlicht: (2023)

Physics-constrained polynomial chaos expansion for scientific machine learning and uncertainty quantification
von: Sharma, Himanshu, et al.
Veröffentlicht: (2024)

An information field theory approach to Bayesian state and parameter estimation in dynamical systems
von: Hao, Kairui, et al.
Veröffentlicht: (2023)

Physics-informed Information Field Theory for Modeling Physical Systems with Uncertainty Quantification
von: Alberts, Alex, et al.
Veröffentlicht: (2023)

Scintillation pulse characterization with spectrum-inspired temporal neural networks: case studies on particle detector signals
von: Ai, Pengcheng, et al.
Veröffentlicht: (2024)

Assessing high-order effects in feature importance via predictability decomposition
von: Ontivero-Ortega, Marlis, et al.
Veröffentlicht: (2024)

Conditional updates of neural network weights for increased out of training performance
von: Saynisch-Wagner, Jan, et al.
Veröffentlicht: (2025)

Information FOMO: The unhealthy fear of missing out on information. A method for removing misleading data for healthier models
von: Pickering, Ethan, et al.
Veröffentlicht: (2022)

Stochastic Inference of Plate Bending from Heterogeneous Data: Physics-informed Gaussian Processes via Kirchhoff-Love Theory
von: Kavrakov, Igor, et al.
Veröffentlicht: (2024)

Active inference and artificial reasoning
von: Friston, Karl, et al.
Veröffentlicht: (2025)

Avoiding subtraction and division of stochastic signals using normalizing flows: NFdeconvolve
von: Pessoa, Pedro, et al.
Veröffentlicht: (2025)

Deep Variational Multivariate Information Bottleneck -- A Framework for Variational Losses
von: Abdelaleem, Eslam, et al.
Veröffentlicht: (2023)

Accurate Estimation of Mutual Information in High Dimensional Data
von: Abdelaleem, Eslam, et al.
Veröffentlicht: (2025)

Statistical limits of correlation detection in trees
von: Ganassali, Luca, et al.
Veröffentlicht: (2022)

On the continuity of flows
von: Sha, Congzhou M
Veröffentlicht: (2025)

Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors
von: Pata, Joosep, et al.
Veröffentlicht: (2023)

Tunable correlation retention: A statistical method for generating synthetic data
von: Jävergård, Nicklas, et al.
Veröffentlicht: (2024)

Securing generative artificial intelligence with parallel magnetic tunnel junction true randomness
von: Bao, Youwei, et al.
Veröffentlicht: (2025)

The noise intensity of a Markov chain
von: Ramlow, Lukas, et al.
Veröffentlicht: (2024)

Comparative study of ensemble-based uncertainty quantification methods for neural network interatomic potentials
von: Kurniawan, Yonatan, et al.
Veröffentlicht: (2025)

Readout of strongly coupled NV center-pair spin states with deep neural networks
von: Joliffe, Matthew, et al.
Veröffentlicht: (2024)

Partial information decomposition for mixed discrete and continuous random variables
von: Barà, Chiara, et al.
Veröffentlicht: (2024)

Gaussian Framework and Optimal Projection of Weather Fields for Prediction of Extreme Events
von: Mascolo, Valeria, et al.
Veröffentlicht: (2024)

Estimating density, velocity, and pressure fields in supersonic flow using physics-informed BOS
von: Molnar, Joseph P., et al.
Veröffentlicht: (2022)

Forecasting steam mass flow in power plants using the parallel hybrid network
von: Kurkin, Andrii, et al.
Veröffentlicht: (2023)