Buchumschlag

Learning Model Representations Using Publicly Available Model Hubs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Falk, Damian, Schürholt, Konstantin, Tzevelekakis, Konstantinos, Meynent, Léo, Borth, Damian
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

A Model Zoo of Vision Transformers
von: Falk, Damian, et al.
Veröffentlicht: (2025)

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

Structure Is Not Enough: Leveraging Behavior for Neural Network Weight Reconstruction
von: Meynent, Léo, et al.
Veröffentlicht: (2025)

A Model Zoo on Phase Transitions in Neural Networks
von: Schürholt, Konstantin, et al.
Veröffentlicht: (2025)

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

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

Sample Weight Estimation Using Meta-Updates for Online Continual Learning
von: Hemati, Hamed, et al.
Veröffentlicht: (2024)

FedTabDiff: Federated Learning of Diffusion Probabilistic Models for Synthetic Mixed-Type Tabular Data Generation
von: Sattarov, Timur, et al.
Veröffentlicht: (2024)

Privacy Preserving Diffusion Models for Mixed-Type Tabular Data Generation
von: Sattarov, Timur, et al.
Veröffentlicht: (2025)

Federated Diffusion Modeling with Differential Privacy for Tabular Data Synthesis
von: Sattarov, Timur, et al.
Veröffentlicht: (2024)

GraphGuard: Contrastive Self-Supervised Learning for Credit-Card Fraud Detection in Multi-Relational Dynamic Graphs
von: Reynisson, Kristófer, et al.
Veröffentlicht: (2024)

GeoSANE: Learning Geospatial Representations from Models, Not Data
von: Hanna, Joelle, et al.
Veröffentlicht: (2026)

Diffusion-Scheduled Denoising Autoencoders for Anomaly Detection in Tabular Data
von: Sattarov, Timur, et al.
Veröffentlicht: (2025)

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

Drag-and-Drop LLMs: Zero-Shot Prompt-to-Weights
von: Liang, Zhiyuan, et al.
Veröffentlicht: (2025)

MD tree: a model-diagnostic tree grown on loss landscape
von: Zhou, Yefan, et al.
Veröffentlicht: (2024)

Toward Dynamic Stability Assessment of Power Grid Topologies using Graph Neural Networks
von: Nauck, Christian, et al.
Veröffentlicht: (2022)

The Generative Leap: Sharp Sample Complexity for Efficiently Learning Gaussian Multi-Index Models
von: Damian, Alex, et al.
Veröffentlicht: (2025)

Dirac--Bianconi Graph Neural Networks -- Enabling Non-Diffusive Long-Range Graph Predictions
von: Nauck, Christian, et al.
Veröffentlicht: (2024)

Recurrent Diffusion for Large-Scale Parameter Generation
von: Wang, Kai, et al.
Veröffentlicht: (2025)

Know Your Attention Maps: Class-specific Token Masking for Weakly Supervised Semantic Segmentation
von: Hanna, Joelle, et al.
Veröffentlicht: (2025)

MAPEX: Modality-Aware Pruning of Experts for Remote Sensing Foundation Models
von: Hanna, Joelle, et al.
Veröffentlicht: (2025)

Robustness of Algorithms for Causal Structure Learning to Hyperparameter Choice
von: Machlanski, Damian, et al.
Veröffentlicht: (2023)

Provable Guarantees for Nonlinear Feature Learning in Three-Layer Neural Networks
von: Nichani, Eshaan, et al.
Veröffentlicht: (2023)

Computational-Statistical Gaps in Gaussian Single-Index Models
von: Damian, Alex, et al.
Veröffentlicht: (2024)

Robust Invariant Representation Learning by Distribution Extrapolation
von: Yoshida, Kotaro, et al.
Veröffentlicht: (2025)

Are Smaller Open-Weight LLMs Closing the Gap to Proprietary Models for Biomedical Question Answering?
von: Stachura, Damian, et al.
Veröffentlicht: (2025)

Imitation Learning by State-Only Distribution Matching
von: Boborzi, Damian, et al.
Veröffentlicht: (2022)

How Transformers Learn Causal Structure with Gradient Descent
von: Nichani, Eshaan, et al.
Veröffentlicht: (2024)

Using Part-based Representations for Explainable Deep Reinforcement Learning
von: Kirtas, Manos, et al.
Veröffentlicht: (2024)

Subspace Optimization for Backpropagation-Free Continual Test-Time Adaptation
von: Sójka, Damian, et al.
Veröffentlicht: (2026)

Propagation of Chaos for Mean-Field Langevin Dynamics and its Application to Model Ensemble
von: Nitanda, Atsushi, et al.
Veröffentlicht: (2025)

Gaussian-Mixture-Model Q-Functions for Policy Iteration in Reinforcement Learning
von: Vu, Minh, et al.
Veröffentlicht: (2025)

Gaussian-Mixture-Model Q-Functions for Reinforcement Learning by Riemannian Optimization
von: Vu, Minh, et al.
Veröffentlicht: (2024)

Learning to Dissipate Energy in Oscillatory State-Space Models
von: Boyer, Jared, et al.
Veröffentlicht: (2025)

The Challenges of Hyperparameter Tuning for Accurate Causal Effect Estimation
von: Machlanski, Damian, et al.
Veröffentlicht: (2023)

Undersmoothing Causal Estimators with Generative Trees
von: Machlanski, Damian, et al.
Veröffentlicht: (2022)

A Machine Learning Approach For Bitcoin Forecasting
von: Sossi-Rojas, Stefano, et al.
Veröffentlicht: (2025)

Improved high-dimensional estimation with Langevin dynamics and stochastic weight averaging
von: Wei, Stanley, et al.
Veröffentlicht: (2026)

Convergence Analysis of Newton's Method for Neural Networks in the Overparameterized Limit
von: Riedl, Konstantin, et al.
Veröffentlicht: (2026)