Buchumschlag

Learning and extrapolating scale-invariant processes

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Alvez-Canepa, Anaclara, Furtlehner, Cyril, Landes, François
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Disordered Systems and Neural Networks Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A theoretical framework for overfitting in energy-based modeling
von: Catania, Giovanni, et al.
Veröffentlicht: (2025)

Fast training and sampling of Restricted Boltzmann Machines
von: Béreux, Nicolas, et al.
Veröffentlicht: (2024)

Inferring effective couplings with Restricted Boltzmann Machines
von: Decelle, Aurélien, et al.
Veröffentlicht: (2023)

Class Imbalance in Anomaly Detection: Learning from an Exactly Solvable Model
von: Pezzicoli, F. S., et al.
Veröffentlicht: (2025)

Rotation-equivariant Graph Neural Networks for Learning Glassy Liquids Representations
von: Pezzicoli, Francesco Saverio, et al.
Veröffentlicht: (2022)

Dimension-free deterministic equivalents and scaling laws for random feature regression
von: Defilippis, Leonardo, et al.
Veröffentlicht: (2024)

An exactly solvable model for emergence and scaling laws in the multitask sparse parity problem
von: Nam, Yoonsoo, et al.
Veröffentlicht: (2024)

Finite-size scaling of hetero-associative retrieval in continuous-signal-driven Ising spin systems
von: Ladiana, Andrea
Veröffentlicht: (2026)

Implicit bias produces neural scaling laws in learning curves, from perceptrons to deep networks
von: D'Amico, Francesco, et al.
Veröffentlicht: (2025)

Transfer Learning in Infinite Width Feature Learning Networks
von: Lauditi, Clarissa, et al.
Veröffentlicht: (2025)

Physical Reinforcement Learning
von: Dillavou, Sam, et al.
Veröffentlicht: (2025)

Deep Learning as Neural Low-Degree Filtering: A Spectral Theory of Hierarchical Feature Learning
von: Dandi, Yatin, et al.
Veröffentlicht: (2026)

Exact Learning Dynamics of In-Context Learning in Linear Transformers and Its Application to Non-Linear Transformers
von: Mainali, Nischal, et al.
Veröffentlicht: (2025)

Hebbian Learning from First Principles
von: Albanese, Linda, et al.
Veröffentlicht: (2024)

Nonlocal Monte Carlo via Reinforcement Learning
von: Dobrynin, Dmitrii, et al.
Veröffentlicht: (2025)

The effect of priors on Learning with Restricted Boltzmann Machines
von: Manzan, Gianluca, et al.
Veröffentlicht: (2024)

Why Warmup the Learning Rate? Underlying Mechanisms and Improvements
von: Kalra, Dayal Singh, et al.
Veröffentlicht: (2024)

Learning Linear Regression with Low-Rank Tasks in-Context
von: Takanami, Kaito, et al.
Veröffentlicht: (2025)

The Interplay of Data Structure and Imbalance in the Learning Dynamics of Diffusion Models
von: Nicoletti, Flavio, et al.
Veröffentlicht: (2026)

The RL Perceptron: Generalisation Dynamics of Policy Learning in High Dimensions
von: Patel, Nishil, et al.
Veröffentlicht: (2023)

How Feature Learning Can Improve Neural Scaling Laws
von: Bordelon, Blake, et al.
Veröffentlicht: (2024)

Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning
von: Bordelon, Blake, et al.
Veröffentlicht: (2026)

Learning with Restricted Boltzmann Machines: Asymptotics of AMP and GD in High Dimensions
von: Xu, Yizhou, et al.
Veröffentlicht: (2025)

Training Dynamics of Nonlinear Contrastive Learning Model in the High Dimensional Limit
von: Meng, Lineghuan, et al.
Veröffentlicht: (2024)

Modeling Structured Data Learning with Restricted Boltzmann Machines in the Teacher-Student Setting
von: Thériault, Robin, et al.
Veröffentlicht: (2024)

Learning curves theory for hierarchically compositional data with power-law distributed features
von: Cagnetta, Francesco, et al.
Veröffentlicht: (2025)

Computational Thresholds in Multi-Modal Learning via the Spiked Matrix-Tensor Model
von: Tabanelli, Hugo, et al.
Veröffentlicht: (2025)

From Kernels to Features: A Multi-Scale Adaptive Theory of Feature Learning
von: Rubin, Noa, et al.
Veröffentlicht: (2025)

Theory of Optimal Learning Rate Schedules and Scaling Laws for a Random Feature Model
von: Bordelon, Blake, et al.
Veröffentlicht: (2026)

How Deep Networks Learn Sparse and Hierarchical Data: the Sparse Random Hierarchy Model
von: Tomasini, Umberto, et al.
Veröffentlicht: (2024)

Scaling Laws and Representation Learning in Simple Hierarchical Languages: Transformers vs. Convolutional Architectures
von: Cagnetta, Francesco, et al.
Veröffentlicht: (2025)

Statistical Physics of Deep Neural Networks: Generalization Capability, Beyond the Infinite Width, and Feature Learning
von: Ariosto, Sebastiano
Veröffentlicht: (2025)

Exploring the Energy Landscape of RBMs: Reciprocal Space Insights into Bosons, Hierarchical Learning and Symmetry Breaking
von: Toledo-Marin, J. Quetzalcóatl, et al.
Veröffentlicht: (2025)

Bilinear Sequence Regression: A Model for Learning from Long Sequences of High-dimensional Tokens
von: Erba, Vittorio, et al.
Veröffentlicht: (2024)

Supervised Hebbian Learning
von: Alemanno, Francesco, et al.
Veröffentlicht: (2022)

On the phase diagram of extensive-rank symmetric matrix denoising beyond rotational invariance
von: Barbier, Jean, et al.
Veröffentlicht: (2024)

Prototype Analysis in Hopfield Networks with Hebbian Learning
von: McAlister, Hayden, et al.
Veröffentlicht: (2024)

Time-translation invariance symmetry breaking hidden by finite-scale singularities
von: Achitouv, Ixandra, et al.
Veröffentlicht: (2024)

Specialization of softmax attention heads: insights from the high-dimensional single-location model
von: Sagitova, M., et al.
Veröffentlicht: (2026)

Exact Fixed-Point Constraints in Neural-ODEs with Provable Universality
von: Pacifico, Feliciano Giuseppe, et al.
Veröffentlicht: (2026)