Token Sample Complexity of Attention
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Bohbot, Léa, Letrouit, Cyril, Peyré, Gabriel, Vialard, François-Xavier |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Ultra-fast feature learning for the training of two-layer neural networks in the two-timescale regime
par: Barboni, Raphaël, et autres
Publié: (2025)
par: Barboni, Raphaël, et autres
Publié: (2025)
Understanding the training of infinitely deep and wide ResNets with Conditional Optimal Transport
par: Barboni, Raphaël, et autres
Publié: (2024)
par: Barboni, Raphaël, et autres
Publié: (2024)
Sliced ReLU attention: Quasi-linear contextual expressivity via sorting
par: Vialard, François-Xavier, et autres
Publié: (2025)
par: Vialard, François-Xavier, et autres
Publié: (2025)
Towards Understanding the Universality of Transformers for Next-Token Prediction
par: Sander, Michael E., et autres
Publié: (2024)
par: Sander, Michael E., et autres
Publié: (2024)
How Smooth Is Attention?
par: Castin, Valérie, et autres
Publié: (2023)
par: Castin, Valérie, et autres
Publié: (2023)
Understanding the training of infinitely deep and wide ResNets with conditional optimal transport
par: Raphaël Barboni, et autres
Publié: (2025)
par: Raphaël Barboni, et autres
Publié: (2025)
Robust Sublinear Convergence Rates for Iterative Bregman Projections
par: Peyré, Gabriel
Publié: (2026)
par: Peyré, Gabriel
Publié: (2026)
The emergence of clusters in self-attention dynamics
par: Geshkovski, Borjan, et autres
Publié: (2023)
par: Geshkovski, Borjan, et autres
Publié: (2023)
Optimal and Diffusion Transports in Machine Learning
par: Peyré, Gabriel
Publié: (2025)
par: Peyré, Gabriel
Publié: (2025)
Optimal Transport for Machine Learners
par: Peyré, Gabriel
Publié: (2025)
par: Peyré, Gabriel
Publié: (2025)
Muon Dynamics as a Spectral Wasserstein Flow
par: Peyré, Gabriel
Publié: (2026)
par: Peyré, Gabriel
Publié: (2026)
A mathematical perspective on Transformers
par: Geshkovski, Borjan, et autres
Publié: (2023)
par: Geshkovski, Borjan, et autres
Publié: (2023)
Learning from Samples: Inverse Problems over measures via Sharpened Fenchel-Young Losses
par: Andrade, Francisco, et autres
Publié: (2025)
par: Andrade, Francisco, et autres
Publié: (2025)
Decreasing Entropic Regularization Averaged Gradient for Semi-Discrete Optimal Transport
par: Genans, Ferdinand, et autres
Publié: (2025)
par: Genans, Ferdinand, et autres
Publié: (2025)
Semi-Discrete Optimal Transport: Nearly Minimax Estimation With Stochastic Gradient Descent and Adaptive Entropic Regularization
par: Genans, Ferdinand, et autres
Publié: (2024)
par: Genans, Ferdinand, et autres
Publié: (2024)
Stochastic Optimization in Semi-Discrete Optimal Transport: Convergence Analysis and Minimax Rate
par: Genans, Ferdinand, et autres
Publié: (2025)
par: Genans, Ferdinand, et autres
Publié: (2025)
Intrinsic training dynamics of deep neural networks
par: Marcotte, Sibylle, et autres
Publié: (2025)
par: Marcotte, Sibylle, et autres
Publié: (2025)
Transformative or Conservative? Conservation laws for ResNets and Transformers
par: Marcotte, Sibylle, et autres
Publié: (2025)
par: Marcotte, Sibylle, et autres
Publié: (2025)
Geometry-Aware Discretization Error of Diffusion Models
par: Hurault, Samuel, et autres
Publié: (2026)
par: Hurault, Samuel, et autres
Publié: (2026)
Unstable optimal transport maps
par: Letrouit, Cyril
Publié: (2025)
par: Letrouit, Cyril
Publié: (2025)
Abide by the Law and Follow the Flow: Conservation Laws for Gradient Flows
par: Marcotte, Sibylle, et autres
Publié: (2023)
par: Marcotte, Sibylle, et autres
Publié: (2023)
On the global convergence of gradient descent for wide shallow models with bounded nonlinearities
par: Petit, Romain, et autres
Publié: (2026)
par: Petit, Romain, et autres
Publié: (2026)
Keep the Momentum: Conservation Laws beyond Euclidean Gradient Flows
par: Marcotte, Sibylle, et autres
Publié: (2024)
par: Marcotte, Sibylle, et autres
Publié: (2024)
Enhancing Hypergradients Estimation: A Study of Preconditioning and Reparameterization
par: Ye, Zhenzhang, et autres
Publié: (2024)
par: Ye, Zhenzhang, et autres
Publié: (2024)
Transformers are Universal In-context Learners
par: Furuya, Takashi, et autres
Publié: (2024)
par: Furuya, Takashi, et autres
Publié: (2024)
Balanced LoRA: Removing Parameter Invariance to Accelerate Convergence
par: Castin, Valérie, et autres
Publié: (2026)
par: Castin, Valérie, et autres
Publié: (2026)
How do Transformers perform In-Context Autoregressive Learning?
par: Sander, Michael E., et autres
Publié: (2024)
par: Sander, Michael E., et autres
Publié: (2024)
From Score Matching to Diffusion: A Fine-Grained Error Analysis in the Gaussian Setting
par: Hurault, Samuel, et autres
Publié: (2025)
par: Hurault, Samuel, et autres
Publié: (2025)
Gluing methods for quantitative stability of optimal transport maps
par: Letrouit, Cyril, et autres
Publié: (2024)
par: Letrouit, Cyril, et autres
Publié: (2024)
Delocalized eigenvectors of transitive graphs and beyond
par: Burq, Nicolas, et autres
Publié: (2024)
par: Burq, Nicolas, et autres
Publié: (2024)
Maximal multiplicity of Laplacian eigenvalues in negatively curved surfaces
par: Letrouit, Cyril, et autres
Publié: (2023)
par: Letrouit, Cyril, et autres
Publié: (2023)
Generic controllability of equivariant systems and applications to particle systems and neural networks
par: Agrachev, Andrei, et autres
Publié: (2024)
par: Agrachev, Andrei, et autres
Publié: (2024)
Benign Overfitting in Token Selection of Attention Mechanism
par: Sakamoto, Keitaro, et autres
Publié: (2024)
par: Sakamoto, Keitaro, et autres
Publié: (2024)
Training Infinitely Deep and Wide Transformers
par: Barboni, Raphaël, et autres
Publié: (2026)
par: Barboni, Raphaël, et autres
Publié: (2026)
Token Distillation: Attention-aware Input Embeddings For New Tokens
par: Dobler, Konstantin, et autres
Publié: (2025)
par: Dobler, Konstantin, et autres
Publié: (2025)
NI Sampling: Accelerating Discrete Diffusion Sampling by Token Order Optimization
par: Liu, Enshu, et autres
Publié: (2026)
par: Liu, Enshu, et autres
Publié: (2026)
Sigmoid Self-Attention has Lower Sample Complexity than Softmax Self-Attention: A Mixture-of-Experts Perspective
par: Yan, Fanqi, et autres
Publié: (2025)
par: Yan, Fanqi, et autres
Publié: (2025)
Dynamical Properties of Tokens in Self-Attention and Effects of Positional Encoding
par: Pham, Duy-Tung, et autres
Publié: (2025)
par: Pham, Duy-Tung, et autres
Publié: (2025)
Interdomain Attention: Beyond Token-Level Key-Value Memory
par: Kiyohara, Naoki, et autres
Publié: (2026)
par: Kiyohara, Naoki, et autres
Publié: (2026)
Token Sparse Attention: Efficient Long-Context Inference with Interleaved Token Selection
par: Jo, Dongwon, et autres
Publié: (2026)
par: Jo, Dongwon, et autres
Publié: (2026)
Documents similaires
-
Ultra-fast feature learning for the training of two-layer neural networks in the two-timescale regime
par: Barboni, Raphaël, et autres
Publié: (2025) -
Understanding the training of infinitely deep and wide ResNets with Conditional Optimal Transport
par: Barboni, Raphaël, et autres
Publié: (2024) -
Sliced ReLU attention: Quasi-linear contextual expressivity via sorting
par: Vialard, François-Xavier, et autres
Publié: (2025) -
Towards Understanding the Universality of Transformers for Next-Token Prediction
par: Sander, Michael E., et autres
Publié: (2024) -
How Smooth Is Attention?
par: Castin, Valérie, et autres
Publié: (2023)