Buchumschlag

Reconsidering Dependency Networks from an Information Geometry Perspective

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Takabatake, Kazuya, Akaho, Shotaro
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

Reconsidering Fairness Through Unawareness From the Perspective of Model Multiplicity
von: Höltgen, Benedikt, et al.
Veröffentlicht: (2025)

The Spacetime of Diffusion Models: An Information Geometry Perspective
von: Karczewski, Rafał, et al.
Veröffentlicht: (2025)

Classification from Positive and Biased Negative Data with Skewed Labeled Posterior Probability
von: Watanabe, Shotaro, et al.
Veröffentlicht: (2022)

Reconsidering Feature Structure Information and Latent Space Alignment in Partial Multi-label Feature Selection
von: Pan, Hanlin, et al.
Veröffentlicht: (2025)

Reconsidering the Performance of GAE in Link Prediction
von: Ma, Weishuo, et al.
Veröffentlicht: (2024)

WINFlowNets: Warm-up Integrated Networks Training of Generative Flow Networks for Robotics and Machine Fault Adaptation
von: Sufiyan, Zahin, et al.
Veröffentlicht: (2026)

Predicting Time-Dependent Flow Over Complex Geometries Using Operator Networks
von: Rabeh, Ali, et al.
Veröffentlicht: (2025)

Reconsidering LLM Uncertainty Estimation Methods in the Wild
von: Bakman, Yavuz, et al.
Veröffentlicht: (2025)

Expressivity of Transformers: A Tropical Geometry Perspective
von: Su, Ye, et al.
Veröffentlicht: (2026)

Reconsidering Positional Supervision in Masked Diffusion Language Model Training
von: Ye, Mengyu, et al.
Veröffentlicht: (2026)

Reconsidering Faithfulness in Regular, Self-Explainable and Domain Invariant GNNs
von: Azzolin, Steve, et al.
Veröffentlicht: (2024)

Geometry of Singular Foliations and Learning Manifolds in ReLU Networks via the Data Information Matrix
von: Tron, Eliot, et al.
Veröffentlicht: (2024)

Outlier-robust neural network training: variation regularization meets trimmed loss to prevent functional breakdown
von: Okuno, Akifumi, et al.
Veröffentlicht: (2023)

Reconsidering the energy efficiency of spiking neural networks
von: Yan, Zhanglu, et al.
Veröffentlicht: (2024)

GeoBlock: Inferring Block Granularity from Dependency Geometry in Diffusion Language Models
von: Wan, Lipeng, et al.
Veröffentlicht: (2026)

Model Merging on Loss Landscape: A Geometry Perspective
von: Lu, Juanwu, et al.
Veröffentlicht: (2026)

Covariate Dependent Mixture of Bayesian Networks
von: Marchant, Roman, et al.
Veröffentlicht: (2025)

Synaptic Weight Distributions Depend on the Geometry of Plasticity
von: Pogodin, Roman, et al.
Veröffentlicht: (2023)

Discrete Solution Operator Learning for Geometry-Dependent PDEs
von: Bai, Jinshuai, et al.
Veröffentlicht: (2026)

Information Geometry of Evolution of Neural Network Parameters While Training
von: Thiruthummal, Abhiram Anand, et al.
Veröffentlicht: (2024)

Information Geometry of Variational Bayes
von: Khan, Mohammad Emtiyaz
Veröffentlicht: (2025)

Emergence of Implicit World Models from Mortal Agents
von: Horibe, Kazuya, et al.
Veröffentlicht: (2024)

Geometry-Aware Edge Pooling for Graph Neural Networks
von: Limbeck, Katharina, et al.
Veröffentlicht: (2025)

Exploring the Manifold of Neural Networks Using Diffusion Geometry
von: Abel, Elliott, et al.
Veröffentlicht: (2024)

Take a Step and Reconsider: Sequence Decoding for Self-Improved Neural Combinatorial Optimization
von: Pirnay, Jonathan, et al.
Veröffentlicht: (2024)

Information-Theoretic Perspectives on Optimizers
von: Tan, Zhiquan, et al.
Veröffentlicht: (2025)

Transformer-Gather, Fuzzy-Reconsider: A Scalable Hybrid Framework for Entity Resolution
von: Sharifi, Mohammadreza, et al.
Veröffentlicht: (2025)

Neuronal correlations shape the scaling behavior of memory capacity and nonlinear computational capability of reservoir recurrent neural networks
von: Takasu, Shotaro, et al.
Veröffentlicht: (2025)

Interpretability as Compression: Reconsidering SAE Explanations of Neural Activations with MDL-SAEs
von: Ayonrinde, Kola, et al.
Veröffentlicht: (2024)

Information Geometry of Absorbing Markov-Chain and Discriminative Random Walks
von: Kimura, Masanari
Veröffentlicht: (2026)

On the Relationship Between Representation Geometry and Generalization in Deep Neural Networks
von: Yadav, Sumit
Veröffentlicht: (2026)

On the Geometry and Optimization of Polynomial Convolutional Networks
von: Shahverdi, Vahid, et al.
Veröffentlicht: (2024)

A General Recipe for the Analysis of Randomized Multi-Armed Bandit Algorithms
von: Baudry, Dorian, et al.
Veröffentlicht: (2023)

Manifold Steering Reveals the Shared Geometry of Neural Network Representation and Behavior
von: Wurgaft, Daniel, et al.
Veröffentlicht: (2026)

From Layers to Networks: Comparing Neural Representations via Diffusion Geometry
von: Khandait, Atharva, et al.
Veröffentlicht: (2026)

ASEHybrid: When Geometry Matters Beyond Homophily in Graph Neural Networks
von: Manir, Shalima Binta, et al.
Veröffentlicht: (2026)

Graph Adapter of EEG Foundation Models for Parameter Efficient Fine Tuning
von: Suzumura, Toyotaro, et al.
Veröffentlicht: (2024)

Sparsification and Reconstruction from the Perspective of Representation Geometry
von: Sun, Wenjie, et al.
Veröffentlicht: (2025)

An Information-Minimal Geometry for Qubit-Efficient Optimization
von: Ma, Gordon, et al.
Veröffentlicht: (2025)

The Geometry of Polynomial Group Convolutional Neural Networks
von: Hendi, Yacoub, et al.
Veröffentlicht: (2026)