Buchumschlag

Learning Multi-Index Models with Hyper-Kernel Ridge Regression

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Shuo, Labarrière, Hippolyte, De Vito, Ernesto, Poggio, Tomaso, Rosasco, Lorenzo
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

Learning Sparse Compositional Functions with Norm-Constrained Neural Networks
von: Huang, Shuo, et al.
Veröffentlicht: (2026)

Computational Efficiency under Covariate Shift in Kernel Ridge Regression
von: Della Vecchia, Andrea, et al.
Veröffentlicht: (2025)

SGD for Variational Inference: Tackling Unbounded Variance via Preconditioning and Dynamic Batching
von: Labarrière, Hippolyte, et al.
Veröffentlicht: (2026)

Optimization Insights into Deep Diagonal Linear Networks
von: Labarrière, Hippolyte, et al.
Veröffentlicht: (2024)

Iterative regularization in classification via hinge loss diagonal descent
von: Apidopoulos, Vassilis, et al.
Veröffentlicht: (2022)

Efficient Numerical Integration in Reproducing Kernel Hilbert Spaces via Leverage Scores Sampling
von: Chatalic, Antoine, et al.
Veröffentlicht: (2023)

On efficiently computable functions, deep networks and sparse compositionality
von: Poggio, Tomaso
Veröffentlicht: (2025)

Neural reproducing kernel Banach spaces and representer theorems for deep networks
von: Bartolucci, Francesca, et al.
Veröffentlicht: (2024)

The Nyström method for convex loss functions
von: Della Vecchia, Andrea, et al.
Veröffentlicht: (2020)

Towards a Learning Theory of Representation Alignment
von: Insulla, Francesco, et al.
Veröffentlicht: (2025)

Learning functions, operators and dynamical systems with kernels
von: Rosasco, Lorenzo
Veröffentlicht: (2025)

Learning convolution operators on compact Abelian groups
von: Magnani, Emilia, et al.
Veröffentlicht: (2025)

Ubiquity of Emergent Hebbian Dynamics in Regularized Learning
von: Koplow, David, et al.
Veröffentlicht: (2025)

Hierarchical Reasoning Models: Perspectives and Misconceptions
von: Ge, Renee, et al.
Veröffentlicht: (2025)

How Neural Networks Learn the Support is an Implicit Regularization Effect of SGD
von: Beneventano, Pierfrancesco, et al.
Veröffentlicht: (2024)

Topological Invariance and Breakdown in Learning
von: Yang, Yongyi, et al.
Veröffentlicht: (2025)

On Generalization Bounds for Neural Networks with Low Rank Layers
von: Pinto, Andrea, et al.
Veröffentlicht: (2024)

Transfer Learning of CATE with Kernel Ridge Regression
von: Kim, Seok-Jin, et al.
Veröffentlicht: (2025)

Unraveling Syntax: How Language Models Learn Context-Free Grammars
von: Schulz, Laura Ying, et al.
Veröffentlicht: (2025)

Differentiable Kernel Ridge Regression for Deep Learning Pipelines
von: Mercier, Jean-Marc, et al.
Veröffentlicht: (2026)

On the Saturation Effect of Kernel Ridge Regression
von: Li, Yicheng, et al.
Veröffentlicht: (2024)

Kernel Ridge Regression Inference
von: Singh, Rahul, et al.
Veröffentlicht: (2023)

A Comprehensive Analysis on the Learning Curve in Kernel Ridge Regression
von: Cheng, Tin Sum, et al.
Veröffentlicht: (2024)

Large Dimensional Kernel Ridge Regression: Extending to Product Kernels
von: Zhou, Yang, et al.
Veröffentlicht: (2026)

pAI/MSc: ML Theory Research with Humans on the Loop
von: Abdelmoneum, Mahmoud, et al.
Veröffentlicht: (2026)

A Scalable Nystrom-Based Kernel Two-Sample Test with Permutations
von: Chatalic, Antoine, et al.
Veröffentlicht: (2025)

Lepskii Principle for Distributed Kernel Ridge Regression
von: Lin, Shao-Bo
Veröffentlicht: (2024)

Does Feedback Alignment Work at Biological Timescales?
von: Bacvanski, Marc Gong, et al.
Veröffentlicht: (2025)

SGD and Weight Decay Secretly Minimize the Rank of Your Neural Network
von: Galanti, Tomer, et al.
Veröffentlicht: (2022)

An Agnostic View on the Cost of Overfitting in (Kernel) Ridge Regression
von: Zhou, Lijia, et al.
Veröffentlicht: (2023)

Optimal Rates and Saturation for Noiseless Kernel Ridge Regression
von: Long, Jihao, et al.
Veröffentlicht: (2024)

Parameter Symmetry Potentially Unifies Deep Learning Theory
von: Ziyin, Liu, et al.
Veröffentlicht: (2025)

Cubit: Token Mixer with Kernel Ridge Regression
von: Zheng, Chuanyang, et al.
Veröffentlicht: (2026)

Position: A Theory of Deep Learning Must Include Compositional Sparsity
von: Danhofer, David A., et al.
Veröffentlicht: (2025)

Does Weight Decay Enhance Training Stability?
von: Saether, Marius, et al.
Veröffentlicht: (2026)

On the Robustness of Kernel Ridge Regression Using the Cauchy Loss Function
von: Wen, Hongwei, et al.
Veröffentlicht: (2025)

On the Sample Complexity of Learning for Blind Inverse Problems
von: Buskulic, Nathan, et al.
Veröffentlicht: (2025)

Meta-Learning with Generalized Ridge Regression: High-dimensional Asymptotics, Optimality and Hyper-covariance Estimation
von: Jin, Yanhao, et al.
Veröffentlicht: (2024)

Kernel Ridge Regression for Efficient Learning of High-Capacity Hopfield Networks
von: Tamamori, Akira
Veröffentlicht: (2025)

Formation of Representations in Neural Networks
von: Ziyin, Liu, et al.
Veröffentlicht: (2024)