Buchumschlag

Inversion-Free Natural Gradient Descent on Riemannian Manifolds

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Draca, Dario, Matsubara, Takuo, Tran, Minh-Ngoc
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Computation Methodology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Bures-Wasserstein Importance-Weighted Evidence Lower Bound: Exposition and Applications
von: Jiang, Peiwen, et al.
Veröffentlicht: (2026)

Wasserstein Gradient Boosting: A Framework for Distribution-Valued Supervised Learning
von: Matsubara, Takuo
Veröffentlicht: (2024)

Sampling as Bandits: Evaluation-Efficient Design for Black-Box Densities
von: Matsubara, Takuo, et al.
Veröffentlicht: (2025)

Maximin Robust Bayesian Experimental Design
von: Abdulsamad, Hany, et al.
Veröffentlicht: (2026)

Statistical Inference for Differentially Private Stochastic Gradient Descent
von: Xia, Xintao, et al.
Veröffentlicht: (2025)

GeoERM: Geometry-Aware Multi-Task Representation Learning on Riemannian Manifolds
von: Chen, Aoran, et al.
Veröffentlicht: (2025)

Beyond Cross-Validation: Adaptive Parameter Selection for Kernel-Based Gradient Descents
von: Liu, Xiaotong, et al.
Veröffentlicht: (2026)

Tight Generalization Error Bounds for Stochastic Gradient Descent in Non-convex Learning
von: Xiong, Wenjun, et al.
Veröffentlicht: (2025)

A Pathwise Coordinate Descent Algorithm for LASSO Penalized Quantile Regression
von: Kim, Sanghee, et al.
Veröffentlicht: (2025)

Fast Robust Kernel Regression through Sign Gradient Descent with Early Stopping
von: Allerbo, Oskar
Veröffentlicht: (2023)

Numerical Generalized Randomized Hamiltonian Monte Carlo for piecewise smooth target densities
von: Tran, Jimmy Huy, et al.
Veröffentlicht: (2025)

Tuning diagonal scale matrices for HMC
von: Tran, Jimmy Huy, et al.
Veröffentlicht: (2024)

Wasserstein Gradient Flows for Batch Bayesian Optimal Experimental Design
von: Sharrock, Louis
Veröffentlicht: (2026)

Optimization by Parallel Quasi-Quantum Annealing with Gradient-Based Sampling
von: Ichikawa, Yuma, et al.
Veröffentlicht: (2024)

Gradient-based optimization for variational empirical Bayes multiple regression
von: Banerjee, Saikat, et al.
Veröffentlicht: (2024)

Pathwise Gradient Variance Reduction with Control Variates in Variational Inference
von: Ng, Kenyon, et al.
Veröffentlicht: (2024)

A Relative Ignorability Framework for Decision-Relevant Observability in Control Theory and Reinforcement Learning
von: Bleile, MaryLena, et al.
Veröffentlicht: (2025)

Scalable Bayesian Inference for Generalized Linear Mixed Models via Stochastic Gradient MCMC
von: Berchuck, Samuel I., et al.
Veröffentlicht: (2024)

Gradient Boosted Mixed Models: Flexible Joint Estimation of Mean and Variance Components for Clustered Data
von: Prevett, Mitchell L., et al.
Veröffentlicht: (2025)

Entropic Riemannian Neural Optimal Transport
von: Micheli, Alessandro, et al.
Veröffentlicht: (2026)

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

Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching
von: Lu, Wenhui Sophia, et al.
Veröffentlicht: (2025)

Vector Quantile Regression on Manifolds
von: Pegoraro, Marco, et al.
Veröffentlicht: (2023)

Dimension-reduced Reconstruction Map Learning for Parameter Estimation in Likelihood-Free Inference Problems
von: Zhang, Rui, et al.
Veröffentlicht: (2024)

Supervised Manifold Learning for Functional Data
von: Tan, Ruoxu, et al.
Veröffentlicht: (2025)

Score Matching for Truncated Density Estimation on a Manifold
von: Williams, Daniel J., et al.
Veröffentlicht: (2022)

End-To-End Causal Effect Estimation from Unstructured Natural Language Data
von: Dhawan, Nikita, et al.
Veröffentlicht: (2024)

Mirror Descent on Riemannian Manifolds
von: Jiang, Jiaxin, et al.
Veröffentlicht: (2026)

A Likelihood-Free Approach to Goal-Oriented Bayesian Optimal Experimental Design
von: Chakraborty, Atlanta, et al.
Veröffentlicht: (2024)

The Kernel Manifold: A Geometric Approach to Gaussian Process Model Selection
von: Islam, Md Shafiqul, et al.
Veröffentlicht: (2026)

SOFARI-R: High-Dimensional Manifold-Based Inference for Latent Responses
von: Zheng, Zemin, et al.
Veröffentlicht: (2025)

Skeleton Regression: A Graph-Based Approach to Estimation with Manifold Structure
von: Wei, Zeyu, et al.
Veröffentlicht: (2023)

Inductive Global and Local Manifold Approximation and Projection
von: Kim, Jungeum, et al.
Veröffentlicht: (2024)

Reliability Sensitivity with Response Gradient
von: Au, Siu-Kui, et al.
Veröffentlicht: (2025)

Minimum Specification Perturbation: Robustness as Distance-to-Falsification in Causal Inference
von: Dang, Hoang, et al.
Veröffentlicht: (2026)

Probabilistic Graphical Model using Graph Neural Networks for Bayesian Inversion of Discrete Structural Component States
von: Li, Teng, et al.
Veröffentlicht: (2026)

Augmentation Invariant Manifold Learning
von: Wang, Shulei
Veröffentlicht: (2022)

A Trainable Centrality Framework for Modern Data
von: Vu, Minh Duc, et al.
Veröffentlicht: (2025)

Natural Gradient Variational Bayes without Fisher Matrix Analytic Calculation and Its Inversion
von: Godichon-Baggioni, A., et al.
Veröffentlicht: (2023)

RieszBoost: Gradient Boosting for Riesz Regression
von: Lee, Kaitlyn J., et al.
Veröffentlicht: (2025)