Buchumschlag

Constant Metric Scaling in Riemannian Computation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	You, Kisung
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Computation
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Particle-Flow Algorithm for Free-Support Wasserstein Barycenters
von: You, Kisung
Veröffentlicht: (2025)

Scale-Calibrated Median-of-Means for Robust Distributed Principal Component Analysis
von: You, Kisung
Veröffentlicht: (2026)

Intrinsic effective sample size for manifold-valued Markov chain Monte Carlo via kernel discrepancy
von: You, Kisung
Veröffentlicht: (2026)

Semantics at an Angle: When Cosine Similarity Works Until It Doesn't
von: You, Kisung
Veröffentlicht: (2025)

Quotient-Based Posterior Analysis for Euclidean Latent Space Models
von: You, Kisung, et al.
Veröffentlicht: (2026)

PCA, SVD, and Centering of Data
von: Kim, Donggun, et al.
Veröffentlicht: (2023)

Network Distance Based on Laplacian Flows on Graphs
von: Bao, Dianbin, et al.
Veröffentlicht: (2018)

Learning over von Mises-Fisher Distributions via a Wasserstein-like Geometry
von: You, Kisung, et al.
Veröffentlicht: (2025)

Scalable Stochastic Gradient Riemannian Langevin Dynamics in Non-Diagonal Metrics
von: Yu, Hanlin, et al.
Veröffentlicht: (2023)

Scalable Geometric Learning with Correlation-Based Functional Brain Networks
von: You, Kisung, et al.
Veröffentlicht: (2025)

Finite Mixture Modeling with Riemannian Gaussian Distributions on Hyperbolic Space
von: You, Kisung
Veröffentlicht: (2026)

Riemannian Laplace Approximation with the Fisher Metric
von: Yu, Hanlin, et al.
Veröffentlicht: (2023)

OrScale: Orthogonalised Optimization with Layer-Wise Trust-Ratio Scaling
von: Lou, Yuxuan, et al.
Veröffentlicht: (2026)

Large-Scale Riemannian Meta-Optimization via Subspace Adaptation
von: Yu, Peilin, et al.
Veröffentlicht: (2025)

What's Inside Your Diffusion Model? A Score-Based Riemannian Metric to Explore the Data Manifold
von: Azeglio, Simone, et al.
Veröffentlicht: (2025)

Computational Sentence-level Metrics Predicting Human Sentence Comprehension
von: Sun, Kun, et al.
Veröffentlicht: (2024)

Dual Riemannian Newton Method on Statistical Manifolds
von: Zhou, Derun, et al.
Veröffentlicht: (2025)

Scale selection for geometric medians on product manifolds
von: You, Kisung
Veröffentlicht: (2026)

Riemannian Principal Component Analysis
von: Rodríguez, Oldemar
Veröffentlicht: (2025)

Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation
von: Cai, Yang, et al.
Veröffentlicht: (2023)

A Riemannian Approach to Ground Metric Learning for Optimal Transport
von: Jawanpuria, Pratik, et al.
Veröffentlicht: (2024)

Inversion-Free Natural Gradient Descent on Riemannian Manifolds
von: Draca, Dario, et al.
Veröffentlicht: (2026)

Softmax Attention with Constant Cost per Token
von: Heinsen, Franz A.
Veröffentlicht: (2024)

Constant Bit-size Transformers Are Turing Complete
von: Li, Qian, et al.
Veröffentlicht: (2025)

Revisiting the Scaling Properties of Downstream Metrics in Large Language Model Training
von: Krajewski, Jakub, et al.
Veröffentlicht: (2025)

Test-Time Scaling Makes Overtraining Compute-Optimal
von: Roberts, Nicholas, et al.
Veröffentlicht: (2026)

Resolving Discrepancies in Compute-Optimal Scaling of Language Models
von: Porian, Tomer, et al.
Veröffentlicht: (2024)

Fast Riemannian-manifold Hamiltonian Monte Carlo for hierarchical Gaussian-process models
von: Hayakawa, Takashi, et al.
Veröffentlicht: (2025)

Large Scale Training of Graph Neural Networks for Optimal Markov-Chain Partitioning Using the Kemeny Constant
von: Martino, Sam Alexander, et al.
Veröffentlicht: (2023)

Sampling from multi-modal distributions on Riemannian manifolds with training-free stochastic interpolants
von: Durmus, Alain, et al.
Veröffentlicht: (2026)

Scaling Test-Time Compute Without Verification or RL is Suboptimal
von: Setlur, Amrith, et al.
Veröffentlicht: (2025)

Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters
von: Snell, Charlie, et al.
Veröffentlicht: (2024)

Quantization-based Bounds on the Wasserstein Metric
von: Bobrutsky, Jonathan, et al.
Veröffentlicht: (2025)

RSAVQ: Riemannian Sensitivity-Aware Vector Quantization for Large Language Models
von: Xu, Zukang, et al.
Veröffentlicht: (2025)

Pause Tokens Strictly Increase the Expressivity of Constant-Depth Transformers
von: London, Charles, et al.
Veröffentlicht: (2025)

Cross-Scale Reservoir Computing for large spatio-temporal forecasting and modeling
von: Alboré, Nicola, et al.
Veröffentlicht: (2025)

Riemannian Motion Generation: A Unified Framework for Human Motion Representation and Generation via Riemannian Flow Matching
von: Miao, Fangran, et al.
Veröffentlicht: (2026)

Streamlining in the Riemannian Realm: Efficient Riemannian Optimization with Loopless Variance Reduction
von: Demidovich, Yury, et al.
Veröffentlicht: (2024)

Metric Compatible Training for Online Backfilling in Large-Scale Retrieval
von: Seo, Seonguk, et al.
Veröffentlicht: (2023)

Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models
von: Béthune, Louis, et al.
Veröffentlicht: (2025)