Deep Neural Networks as Iterated Function Systems and a Generalization Bound
Fuente:
arXiv
Salvato in:
| Autore principale: | Vacher, Jonathan |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2026
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
The Loss Surfaces of Neural Networks with General Activation Functions
di: Baskerville, Nicholas P., et al.
Pubblicazione: (2020)
di: Baskerville, Nicholas P., et al.
Pubblicazione: (2020)
Partially Stochastic Infinitely Deep Bayesian Neural Networks
di: Calvo-Ordonez, Sergio, et al.
Pubblicazione: (2024)
di: Calvo-Ordonez, Sergio, et al.
Pubblicazione: (2024)
Universality in Deep Neural Networks: An approach via the Lindeberg exchange principle
di: Giovagnini, Filippo, et al.
Pubblicazione: (2026)
di: Giovagnini, Filippo, et al.
Pubblicazione: (2026)
Chaotic Hedging with Iterated Integrals and Neural Networks
di: Neufeld, Ariel, et al.
Pubblicazione: (2022)
di: Neufeld, Ariel, et al.
Pubblicazione: (2022)
Quantitative CLTs in Deep Neural Networks
di: Favaro, Stefano, et al.
Pubblicazione: (2023)
di: Favaro, Stefano, et al.
Pubblicazione: (2023)
Pointwise Generalization in Deep Neural Networks
di: Li, Shaojie, et al.
Pubblicazione: (2026)
di: Li, Shaojie, et al.
Pubblicazione: (2026)
Exponential Convergence Guarantees for Iterative Markovian Fitting
di: Silveri, Marta Gentiloni, et al.
Pubblicazione: (2025)
di: Silveri, Marta Gentiloni, et al.
Pubblicazione: (2025)
A General-Purpose Theorem for High-Probability Bounds of Stochastic Approximation with Polyak Averaging
di: Khodadadian, Sajad, et al.
Pubblicazione: (2025)
di: Khodadadian, Sajad, et al.
Pubblicazione: (2025)
Finite-Dimensional Gaussian Approximation for Deep Neural Networks: Universality in Random Weights
di: Balasubramanian, Krishnakumar, et al.
Pubblicazione: (2025)
di: Balasubramanian, Krishnakumar, et al.
Pubblicazione: (2025)
Deep Learning for Markov Chains: Lyapunov Functions, Poisson's Equation, and Stationary Distributions
di: Qu, Yanlin, et al.
Pubblicazione: (2025)
di: Qu, Yanlin, et al.
Pubblicazione: (2025)
Approximation to Deep Q-Network by Stochastic Delay Differential Equations
di: Lu, Jianya, et al.
Pubblicazione: (2025)
di: Lu, Jianya, et al.
Pubblicazione: (2025)
Depth Degeneracy in Neural Networks: Vanishing Angles in Fully Connected ReLU Networks on Initialization
di: Jakub, Cameron, et al.
Pubblicazione: (2023)
di: Jakub, Cameron, et al.
Pubblicazione: (2023)
Convergence Analysis of Newton's Method for Neural Networks in the Overparameterized Limit
di: Riedl, Konstantin, et al.
Pubblicazione: (2026)
di: Riedl, Konstantin, et al.
Pubblicazione: (2026)
Symmetries in Overparametrized Neural Networks: A Mean-Field View
di: Maass, Javier, et al.
Pubblicazione: (2024)
di: Maass, Javier, et al.
Pubblicazione: (2024)
Random ReLU Neural Networks as Non-Gaussian Processes
di: Parhi, Rahul, et al.
Pubblicazione: (2024)
di: Parhi, Rahul, et al.
Pubblicazione: (2024)
Non-Asymptotic Convergence of Stochastic Iterative Algorithms: A Lyapunov Framework
di: Chen, Zaiwei, et al.
Pubblicazione: (2026)
di: Chen, Zaiwei, et al.
Pubblicazione: (2026)
Neural Hilbert Ladders: Multi-Layer Neural Networks in Function Space
di: Chen, Zhengdao
Pubblicazione: (2023)
di: Chen, Zhengdao
Pubblicazione: (2023)
Efficient Training of Deep Neural Operator Networks via Randomized Sampling
di: Karumuri, Sharmila, et al.
Pubblicazione: (2024)
di: Karumuri, Sharmila, et al.
Pubblicazione: (2024)
Stochastic Port-Hamiltonian Neural Networks: Universal Approximation with Passivity Guarantees
di: Di Persio, Luca, et al.
Pubblicazione: (2026)
di: Di Persio, Luca, et al.
Pubblicazione: (2026)
Implicit Compressibility of Overparametrized Neural Networks Trained with Heavy-Tailed SGD
di: Wan, Yijun, et al.
Pubblicazione: (2023)
di: Wan, Yijun, et al.
Pubblicazione: (2023)
Exact Gradients for Stochastic Spiking Neural Networks Driven by Rough Signals
di: Holberg, Christian, et al.
Pubblicazione: (2024)
di: Holberg, Christian, et al.
Pubblicazione: (2024)
Noise Sensitivity and Learning Lower Bounds for Hierarchical Functions
di: Li, Rupert, et al.
Pubblicazione: (2025)
di: Li, Rupert, et al.
Pubblicazione: (2025)
Adaptive Estimation of Multivariate Piecewise Polynomials and Bounded Variation Functions by Optimal Decision Trees
di: Chatterjee, Sabyasachi, et al.
Pubblicazione: (2019)
di: Chatterjee, Sabyasachi, et al.
Pubblicazione: (2019)
Generating Rectifiable Measures through Neural Networks
di: Riegler, Erwin, et al.
Pubblicazione: (2024)
di: Riegler, Erwin, et al.
Pubblicazione: (2024)
Bayesian Inference with Deep Weakly Nonlinear Networks
di: Hanin, Boris, et al.
Pubblicazione: (2024)
di: Hanin, Boris, et al.
Pubblicazione: (2024)
Phase Transitions in the Fluctuations of Functionals of Random Neural Networks
di: Di Lillo, Simmaco, et al.
Pubblicazione: (2026)
di: Di Lillo, Simmaco, et al.
Pubblicazione: (2026)
Sharper Perturbed-Kullback-Leibler Exponential Tail Bounds for Beta and Dirichlet Distributions
di: Perrault, Pierre
Pubblicazione: (2025)
di: Perrault, Pierre
Pubblicazione: (2025)
Dimension-Free Bounds for Generalized First-Order Methods via Gaussian Coupling
di: Reeves, Galen
Pubblicazione: (2025)
di: Reeves, Galen
Pubblicazione: (2025)
Steady-State Behavior of Constant-Stepsize Stochastic Approximation: Gaussian Approximation and Tail Bounds
di: Wang, Zedong, et al.
Pubblicazione: (2026)
di: Wang, Zedong, et al.
Pubblicazione: (2026)
Tight Bounds on the Binomial CDF, and the Minimum of i.i.d Binomials, in terms of KL-Divergence
di: Zhu, Xiaohan, et al.
Pubblicazione: (2025)
di: Zhu, Xiaohan, et al.
Pubblicazione: (2025)
Dropout Neural Network Training Viewed from a Percolation Perspective
di: Devlin, Finley, et al.
Pubblicazione: (2025)
di: Devlin, Finley, et al.
Pubblicazione: (2025)
Neural Network Parameter-optimization of Gaussian pmDAGs
di: Saremi, Mehrzad
Pubblicazione: (2023)
di: Saremi, Mehrzad
Pubblicazione: (2023)
Feature Learning Dynamics in Infinite-Depth Neural Networks
di: Yao, Zihan, et al.
Pubblicazione: (2025)
di: Yao, Zihan, et al.
Pubblicazione: (2025)
Unified Stochastic Framework for Neural Network Quantization and Pruning
di: Zhang, Haoyu, et al.
Pubblicazione: (2024)
di: Zhang, Haoyu, et al.
Pubblicazione: (2024)
Polynomially Over-Parameterized Convolutional Neural Networks Contain Structured Strong Winning Lottery Tickets
di: da Cunha, Arthur, et al.
Pubblicazione: (2023)
di: da Cunha, Arthur, et al.
Pubblicazione: (2023)
On the Equivalence of Random Network Distillation, Deep Ensembles, and Bayesian Inference
di: Zanger, Moritz A., et al.
Pubblicazione: (2026)
di: Zanger, Moritz A., et al.
Pubblicazione: (2026)
Importance Corrected Neural JKO Sampling
di: Hertrich, Johannes, et al.
Pubblicazione: (2024)
di: Hertrich, Johannes, et al.
Pubblicazione: (2024)
Generalization Bounds for Sparse Random Feature Expansions
di: Hashemi, Abolfazl, et al.
Pubblicazione: (2021)
di: Hashemi, Abolfazl, et al.
Pubblicazione: (2021)
Convergence of SGD for Training Neural Networks with Sliced Wasserstein Losses
di: Tanguy, Eloi
Pubblicazione: (2023)
di: Tanguy, Eloi
Pubblicazione: (2023)
Wasserstein Convergence Guarantees for a General Class of Score-Based Generative Models
di: Gao, Xuefeng, et al.
Pubblicazione: (2023)
di: Gao, Xuefeng, et al.
Pubblicazione: (2023)
Documenti analoghi
-
The Loss Surfaces of Neural Networks with General Activation Functions
di: Baskerville, Nicholas P., et al.
Pubblicazione: (2020) -
Partially Stochastic Infinitely Deep Bayesian Neural Networks
di: Calvo-Ordonez, Sergio, et al.
Pubblicazione: (2024) -
Universality in Deep Neural Networks: An approach via the Lindeberg exchange principle
di: Giovagnini, Filippo, et al.
Pubblicazione: (2026) -
Chaotic Hedging with Iterated Integrals and Neural Networks
di: Neufeld, Ariel, et al.
Pubblicazione: (2022) -
Quantitative CLTs in Deep Neural Networks
di: Favaro, Stefano, et al.
Pubblicazione: (2023)