Buchumschlag

Unlabeled Data Can Provably Enhance In-Context Learning of Transformers

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Renpu, Yang, Jing
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On the Learn-to-Optimize Capabilities of Transformers in In-Context Sparse Recovery
von: Liu, Renpu, et al.
Veröffentlicht: (2024)

Federated Representation Learning in the Under-Parameterized Regime
von: Liu, Renpu, et al.
Veröffentlicht: (2024)

When and How Unlabeled Data Provably Improve In-Context Learning
von: Li, Yingcong, et al.
Veröffentlicht: (2025)

In-Context Positive-Unlabeled Learning
von: Liu, Siyan, et al.
Veröffentlicht: (2026)

How Does Unlabeled Data Provably Help Out-of-Distribution Detection?
von: Du, Xuefeng, et al.
Veröffentlicht: (2024)

Semi-Supervised Sparse Gaussian Classification: Provable Benefits of Unlabeled Data
von: Azar, Eyar, et al.
Veröffentlicht: (2024)

Provable In-Context Learning of Nonlinear Regression with Transformers
von: Li, Hongbo, et al.
Veröffentlicht: (2025)

A Shared Low-Rank Adaptation Approach to Personalized RLHF
von: Liu, Renpu, et al.
Veröffentlicht: (2025)

PUAL: A Classifier on Trifurcate Positive-Unlabeled Data
von: Wang, Xiaoke, et al.
Veröffentlicht: (2024)

Transformers Provably Implement In-Context Reinforcement Learning with Policy Improvement
von: Liang, Haodong, et al.
Veröffentlicht: (2026)

Provable Low-Frequency Bias of In-Context Learning of Representations
von: Yang, Yongyi, et al.
Veröffentlicht: (2025)

Provably Transformers Harness Multi-Concept Word Semantics for Efficient In-Context Learning
von: Bu, Dake, et al.
Veröffentlicht: (2024)

One-Layer Transformer Provably Learns One-Nearest Neighbor In Context
von: Li, Zihao, et al.
Veröffentlicht: (2024)

Federated Learning with Unlabeled Clients: Personalization Can Happen in Low Dimensions
von: Zakerinia, Hossein, et al.
Veröffentlicht: (2025)

Offline Reinforcement Learning with Domain-Unlabeled Data
von: Nishimori, Soichiro, et al.
Veröffentlicht: (2024)

Learning from Uncertain Similarity and Unlabeled Data
von: Wei, Meng, et al.
Veröffentlicht: (2025)

Transformers Trained via Gradient Descent Can Provably Learn a Class of Teacher Models
von: Zhang, Chenyang, et al.
Veröffentlicht: (2026)

Towards Provable Emergence of In-Context Reinforcement Learning
von: Wang, Jiuqi, et al.
Veröffentlicht: (2025)

Can Transformers Learn Full Bayesian Inference in Context?
von: Reuter, Arik, et al.
Veröffentlicht: (2025)

On Leveraging Unlabeled Data for Concurrent Positive-Unlabeled Classification and Robust Generation
von: Yu, Bing, et al.
Veröffentlicht: (2020)

Positive Unlabeled Contrastive Learning
von: Acharya, Anish, et al.
Veröffentlicht: (2022)

Collaborative Unlabeled Data Optimization
von: Shang, Xinyi, et al.
Veröffentlicht: (2025)

Transformers Provably Learn Algorithmic Solutions for Graph Connectivity, But Only with the Right Data
von: Ye, Qilin, et al.
Veröffentlicht: (2025)

Learning from M-Tuple Dominant Positive and Unlabeled Data
von: Qin, Jiahe, et al.
Veröffentlicht: (2025)

Heterogeneous Multisource Transfer Learning via Model Averaging for Positive-Unlabeled Data
von: Liu, Jialei, et al.
Veröffentlicht: (2025)

Transformers Provably Learn to Internalize Chain-of-Thought
von: Huang, Yixiao, et al.
Veröffentlicht: (2026)

Transformers Can Learn Temporal Difference Methods for In-Context Reinforcement Learning
von: Wang, Jiuqi, et al.
Veröffentlicht: (2024)

Can Transformers Break Encryption Schemes via In-Context Learning?
von: Korrapati, Jathin, et al.
Veröffentlicht: (2025)

Deep Positive-Unlabeled Anomaly Detection for Contaminated Unlabeled Data
von: Takahashi, Hiroshi, et al.
Veröffentlicht: (2024)

Making Better Use of Unlabelled Data in Bayesian Active Learning
von: Smith, Freddie Bickford, et al.
Veröffentlicht: (2024)

Provably Efficient UCB-type Algorithms For Learning Predictive State Representations
von: Huang, Ruiquan, et al.
Veröffentlicht: (2023)

Replay Can Provably Increase Forgetting
von: Mahdaviyeh, Yasaman, et al.
Veröffentlicht: (2025)

Proper Learnability and the Role of Unlabeled Data
von: Asilis, Julian, et al.
Veröffentlicht: (2025)

Row-Stochastic Matrices Can Provably Outperform Doubly Stochastic Matrices in Decentralized Learning
von: Liu, Bing, et al.
Veröffentlicht: (2025)

Transformers Provably Learn Sparse XOR with Polylogarithmic Parameters
von: Han, Yaomengxi, et al.
Veröffentlicht: (2025)

In-Context Learning Enhanced Credibility Transformer
von: Padayachy, Kishan, et al.
Veröffentlicht: (2025)

Theoretical Foundations of Representation Learning using Unlabeled Data: Statistics and Optimization
von: Esser, Pascal, et al.
Veröffentlicht: (2025)

LAUD: Integrating Large Language Models with Active Learning for Unlabeled Data
von: Chou, Tzu-Hsuan, et al.
Veröffentlicht: (2025)

Candidate Pseudolabel Learning: Enhancing Vision-Language Models by Prompt Tuning with Unlabeled Data
von: Zhang, Jiahan, et al.
Veröffentlicht: (2024)

In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning
von: Wakayama, Tomoya, et al.
Veröffentlicht: (2025)