Buchumschlag

Synthesizing real-world distributions from high-dimensional Gaussian Noise with Fully Connected Neural Network

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Komorniczak, Joanna
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

Unsupervised Concept Drift Detection based on Parallel Activations of Neural Network
von: Komorniczak, Joanna, et al.
Veröffentlicht: (2024)

How well does Classification Accuracy capture Concept Drift Detection Quality? An overview of Concept Drift Detection evaluation
von: Komorniczak, Joanna
Veröffentlicht: (2026)

Open World Autoencoding Drift Detection with Novel Class Recognition in Tabular Non-stationary Data Streams
von: Komorniczak, Joanna
Veröffentlicht: (2026)

Describing Nonstationary Data Streams in Frequency Domain
von: Komorniczak, Joanna
Veröffentlicht: (2025)

Synthetic Non-stationary Data Streams for Recognition of the Unknown
von: Komorniczak, Joanna
Veröffentlicht: (2025)

Transforming Datasets to Requested Complexity with Projection-based Many-Objective Genetic Algorithm
von: Komorniczak, Joanna
Veröffentlicht: (2025)

Taking Class Imbalance Into Account in Open Set Recognition Evaluation
von: Komorniczak, Joanna, et al.
Veröffentlicht: (2024)

torchosr -- a PyTorch extension package for Open Set Recognition models evaluation in Python
von: Komorniczak, Joanna, et al.
Veröffentlicht: (2023)

Structuring the Processing Frameworks for Data Stream Evaluation and Application
von: Komorniczak, Joanna, et al.
Veröffentlicht: (2024)

NoiseHGNN: Synthesized Similarity Graph-Based Neural Network For Noised Heterogeneous Graph Representation Learning
von: Zhang, Xiong, et al.
Veröffentlicht: (2024)

From Weight Perturbation to Feature Attribution for Explaining Fully Connected Neural Networks
von: Lymperopoulos, Thodoris, et al.
Veröffentlicht: (2026)

Matrix Completion via Nonsmooth Regularization of Fully Connected Neural Networks
von: Faramarzi, Sajad, et al.
Veröffentlicht: (2024)

New Approximation Results and Optimal Estimation for Fully Connected Deep Neural Networks
von: Tang, Zhaoji
Veröffentlicht: (2025)

Depth Degeneracy in Neural Networks: Vanishing Angles in Fully Connected ReLU Networks on Initialization
von: Jakub, Cameron, et al.
Veröffentlicht: (2023)

On How Iterative Magnitude Pruning Discovers Local Receptive Fields in Fully Connected Neural Networks
von: Redman, William T., et al.
Veröffentlicht: (2024)

A Gaussian Process View on Observation Noise and Initialization in Wide Neural Networks
von: Calvo-Ordoñez, Sergio, et al.
Veröffentlicht: (2025)

Training Fully Connected Neural Networks is $\exists\mathbb{R}$-Complete
von: Bertschinger, Daniel, et al.
Veröffentlicht: (2022)

Fully Automatic Neural Network Reduction for Formal Verification
von: Ladner, Tobias, et al.
Veröffentlicht: (2023)

Optimal ridge penalty for real-world high-dimensional data can be zero or negative due to the implicit ridge regularization
von: Kobak, Dmitry, et al.
Veröffentlicht: (2018)

Navigating Noise: A Study of How Noise Influences Generalisation and Calibration of Neural Networks
von: Ferianc, Martin, et al.
Veröffentlicht: (2023)

Physics-informed Neural Networks with Unknown Measurement Noise
von: Pilar, Philipp, et al.
Veröffentlicht: (2022)

Synthesizing Neural Network Controllers with Closed-Loop Dissipativity Guarantees
von: Junnarkar, Neelay, et al.
Veröffentlicht: (2024)

XnODR and XnIDR: Two Accurate and Fast Fully Connected Layers For Convolutional Neural Networks
von: Sun, Jian, et al.
Veröffentlicht: (2021)

AlleNoise: large-scale text classification benchmark dataset with real-world label noise
von: Rączkowska, Alicja, et al.
Veröffentlicht: (2024)

Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data
von: Wang, Yucheng, et al.
Veröffentlicht: (2023)

Fully Spiking Actor Network with Intra-layer Connections for Reinforcement Learning
von: Chen, Ding, et al.
Veröffentlicht: (2024)

Training Robust Graph Neural Networks by Modeling Noise Dependencies
von: In, Yeonjun, et al.
Veröffentlicht: (2025)

Port-Hamiltonian Neural Networks with Output Error Noise Models
von: Moradi, Sarvin, et al.
Veröffentlicht: (2025)

Capsule Neural Networks as Noise Stabilizer for Time Series Data
von: Kim, Soyeon, et al.
Veröffentlicht: (2024)

Exploring Neural Network Landscapes: Star-Shaped and Geodesic Connectivity
von: Lin, Zhanran, et al.
Veröffentlicht: (2024)

A Survey of Graph Neural Networks in Real world: Imbalance, Noise, Privacy and OOD Challenges
von: Ju, Wei, et al.
Veröffentlicht: (2024)

Unveiling Mode Connectivity in Graph Neural Networks
von: Li, Bingheng, et al.
Veröffentlicht: (2025)

Linear Mode Connectivity in Sparse Neural Networks
von: McDermott, Luke, et al.
Veröffentlicht: (2023)

Fully Hyperbolic Convolutional Neural Networks for Computer Vision
von: Bdeir, Ahmad, et al.
Veröffentlicht: (2023)

Using Random Noise Equivariantly to Boost Graph Neural Networks Universally
von: Wang, Xiyuan, et al.
Veröffentlicht: (2025)

Uncertainty Quantification With Noise Injection in Neural Networks: A Bayesian Perspective
von: Yuan, Xueqiong, et al.
Veröffentlicht: (2025)

Gaussian Pre-Activations in Neural Networks: Myth or Reality?
von: Wolinski, Pierre, et al.
Veröffentlicht: (2022)

Fully Distributed Online Training of Graph Neural Networks in Networked Systems
von: Olshevskyi, Rostyslav, et al.
Veröffentlicht: (2024)

Explainable Graph Neural Networks: Understanding Brain Connectivity and Biomarkers in Dementia
von: Tewari, Niharika, et al.
Veröffentlicht: (2025)

Proving Linear Mode Connectivity of Neural Networks via Optimal Transport
von: Ferbach, Damien, et al.
Veröffentlicht: (2023)