Buchumschlag

Disentangled and Distilled Encoder for Out-of-Distribution Reasoning with Rademacher Guarantees

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rahiminasab, Zahra, Yuhas, Michael, Easwaran, Arvind
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

Guaranteeing Out-Of-Distribution Detection in Deep RL via Transition Estimation
von: Prashant, Mohit, et al.
Veröffentlicht: (2025)

Compressing VAE-Based Out-of-Distribution Detectors for Embedded Deployment
von: Bansal, Aditya, et al.
Veröffentlicht: (2024)

CRLLK: Constrained Reinforcement Learning for Lane Keeping in Autonomous Driving
von: Gao, Xinwei, et al.
Veröffentlicht: (2025)

Improving Reinforcement Learning Sample-Efficiency using Local Approximation
von: Prashant, Mohit, et al.
Veröffentlicht: (2025)

Point-Identification of a Robust Predictor Under Latent Shift with Imperfect Proxies
von: Rahiminasab, Zahra, et al.
Veröffentlicht: (2026)

Approximation-Free Differentiable Oblique Decision Trees
von: Panda, Subrat Prasad, et al.
Veröffentlicht: (2026)

Disentangled Graph Prompting for Out-Of-Distribution Detection
von: Yang, Cheng, et al.
Veröffentlicht: (2026)

Function+Data Flow: A Framework to Specify Machine Learning Pipelines for Digital Twinning
von: de Conto, Eduardo, et al.
Veröffentlicht: (2024)

Coverage-Guaranteed Prediction Sets for Out-of-Distribution Data
von: Zou, Xin, et al.
Veröffentlicht: (2024)

Vanilla Gradient Descent for Oblique Decision Trees
von: Panda, Subrat Prasad, et al.
Veröffentlicht: (2024)

DesCartes Builder: A Tool to Develop Machine-Learning Based Digital Twins
von: de Conto, Eduardo, et al.
Veröffentlicht: (2025)

Disentangled Interest Network for Out-of-Distribution CTR Prediction
von: Zheng, Yu, et al.
Veröffentlicht: (2025)

Out-of-Distribution Generalized Dynamic Graph Neural Network with Disentangled Intervention and Invariance Promotion
von: Zhang, Zeyang, et al.
Veröffentlicht: (2023)

Uncertainty-Guided Appearance-Motion Association Network for Out-of-Distribution Action Detection
von: Fang, Xiang, et al.
Veröffentlicht: (2024)

A Revisit of Total Correlation in Disentangled Variational Auto-Encoder with Partial Disentanglement
von: Li, Chengrui, et al.
Veröffentlicht: (2025)

Rademacher Meets Colors: More Expressivity, but at What Cost ?
von: Carrasco, Martin, et al.
Veröffentlicht: (2025)

On Rademacher Complexity-based Generalization Bounds for Deep Learning
von: Truong, Lan V.
Veröffentlicht: (2022)

Bridging the Gap: Rademacher Complexity in Robust and Standard Generalization
von: Xiao, Jiancong, et al.
Veröffentlicht: (2024)

Identifiability Guarantees for Causal Disentanglement from Purely Observational Data
von: Welch, Ryan, et al.
Veröffentlicht: (2024)

Do we really need the Rademacher complexities?
von: Bartl, Daniel, et al.
Veröffentlicht: (2025)

Learning Network Representations with Disentangled Graph Auto-Encoder
von: Fan, Di, et al.
Veröffentlicht: (2024)

ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification
von: Wu, Xin, et al.
Veröffentlicht: (2025)

Resilience of Rademacher chaos of low degree
von: Aigner-Horev, Elad, et al.
Veröffentlicht: (2024)

Algorithmic Guarantees for Distilling Supervised and Offline RL Datasets
von: Gupta, Aaryan, et al.
Veröffentlicht: (2025)

Disentangled Representation via Variational AutoEncoder for Continuous Treatment Effect Estimation
von: Cui, Ruijing, et al.
Veröffentlicht: (2024)

Generalization Error Guaranteed Auto-Encoder-Based Nonlinear Model Reduction for Operator Learning
von: Liu, Hao, et al.
Veröffentlicht: (2024)

Can Distillation Mitigate Backdoor Attacks in Pre-trained Encoders?
von: Han, TIngxu, et al.
Veröffentlicht: (2024)

EGA: Adapting Frozen Encoders for Vector Search with Bounded Out-of-Distribution Degradation
von: Zhao, Dongfang
Veröffentlicht: (2026)

Towards Distillation Guarantees under Algorithmic Alignment for Combinatorial Optimization
von: Le, Thien, et al.
Veröffentlicht: (2026)

Causal Flow-based Variational Auto-Encoder for Disentangled Causal Representation Learning
von: Fan, Di, et al.
Veröffentlicht: (2023)

Theoretically Guaranteed Distribution Adaptable Learning
von: Xu, Chao, et al.
Veröffentlicht: (2024)

Self-Distilled Disentangled Learning for Counterfactual Prediction
von: Li, Xinshu, et al.
Veröffentlicht: (2024)

Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning
von: Wang, Yiming, et al.
Veröffentlicht: (2024)

Impact of Positional Encoding: Clean and Adversarial Rademacher Complexity for Transformers under In-Context Regression
von: He, Weiyi, et al.
Veröffentlicht: (2025)

Model Reprogramming Outperforms Fine-tuning on Out-of-distribution Data in Text-Image Encoders
von: Geng, Andrew, et al.
Veröffentlicht: (2024)

On the Role of Noise in Factorizers for Disentangling Distributed Representations
von: Karunaratne, Geethan, et al.
Veröffentlicht: (2024)

CFASL: Composite Factor-Aligned Symmetry Learning for Disentanglement in Variational AutoEncoder
von: Jung, Hee-Jun, et al.
Veröffentlicht: (2024)

Distribution-Aligned Sequence Distillation for Superior Long-CoT Reasoning
von: Yan, Shaotian, et al.
Veröffentlicht: (2026)

phepy: Visual Benchmarks and Improvements for Out-of-Distribution Detectors
von: Tyree, Juniper, et al.
Veröffentlicht: (2025)

Topology of Out-of-Distribution Examples in Deep Neural Networks
von: Datta, Esha, et al.
Veröffentlicht: (2025)