Buchumschlag

Rethinking Intrinsic Dimension Estimation in Neural Representations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schulte, Rickmer, Rügamer, David
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

Additive Model Boosting: New Insights and Path(ologie)s
von: Schulte, Rickmer, et al.
Veröffentlicht: (2025)

Adjustment for Confounding using Pre-Trained Representations
von: Schulte, Rickmer, et al.
Veröffentlicht: (2025)

Towards E-Value Based Stopping Rules for Bayesian Deep Ensembles
von: Sommer, Emanuel, et al.
Veröffentlicht: (2026)

On the Epistemic Uncertainty of Overparametrized Neural Networks
von: Rügamer, David
Veröffentlicht: (2026)

Scalable Higher-Order Tensor Product Spline Models
von: Rügamer, David
Veröffentlicht: (2024)

Measuring the Intrinsic Dimension of Earth Representations
von: Rao, Arjun, et al.
Veröffentlicht: (2025)

A Novel Approach for Intrinsic Dimension Estimation
von: Özçoban, Kadir, et al.
Veröffentlicht: (2025)

Learning Ordered Representations in Latent Space for Intrinsic Dimension Estimation via Principal Component Autoencoder
von: Zhan, Qipeng, et al.
Veröffentlicht: (2026)

Position: The Time for Sampling Is Now! Charting a New Course for Bayesian Deep Learning
von: Sommer, Emanuel, et al.
Veröffentlicht: (2026)

Local Hessian Spectral Filtering for Robust Intrinsic Dimension Estimation
von: Osada, Genki
Veröffentlicht: (2026)

eDCF: Estimating Intrinsic Dimension using Local Connectivity
von: Gupta, Dhruv, et al.
Veröffentlicht: (2025)

Geometric Analysis of Neural Regression Collapse via Intrinsic Dimension
von: Andriopoulos, George, et al.
Veröffentlicht: (2025)

A Wiener Process Perspective on Local Intrinsic Dimension Estimation Methods
von: Tempczyk, Piotr, et al.
Veröffentlicht: (2024)

Achieving interpretable machine learning by functional decomposition of black-box models into explainable predictor effects
von: Köhler, David, et al.
Veröffentlicht: (2024)

ARMA Cell: A Modular and Effective Approach for Neural Autoregressive Modeling
von: Schiele, Philipp, et al.
Veröffentlicht: (2022)

Geometry-Aware Optimal Transport: Fast Intrinsic Dimension and Wasserstein Distance Estimation
von: Genans, Ferdinand, et al.
Veröffentlicht: (2026)

Microcanonical Langevin Ensembles: Advancing the Sampling of Bayesian Neural Networks
von: Sommer, Emanuel, et al.
Veröffentlicht: (2025)

Local Intrinsic Dimension of Representations Predicts Alignment and Generalization in AI Models and Human Brain
von: Yu, Junjie, et al.
Veröffentlicht: (2026)

Enhancing Heavy Rain Nowcasting with Multimodal Data: Integrating Radar and Satellite Observations
von: Kassoumeh, Rama, et al.
Veröffentlicht: (2025)

A Survey and Comparative Evaluation of Intrinsic Dimension Estimators under the Manifold Hypothesis
von: Bi, Zelong, et al.
Veröffentlicht: (2025)

On the Intrinsic Dimensions of Data in Kernel Learning
von: Takhanov, Rustem
Veröffentlicht: (2026)

Uncertainty Quantification for Prior-Data Fitted Networks using Martingale Posteriors
von: Nagler, Thomas, et al.
Veröffentlicht: (2025)

Paths and Ambient Spaces in Neural Loss Landscapes
von: Dold, Daniel, et al.
Veröffentlicht: (2025)

Gradient Descent Robustly Learns the Intrinsic Dimension of Data in Training Convolutional Neural Networks
von: Zhang, Chenyang, et al.
Veröffentlicht: (2025)

On the Interplay of Priors and Overparametrization in Bayesian Neural Network Posteriors
von: Kobialka, Julius, et al.
Veröffentlicht: (2026)

Measuring Intrinsic Dimension of Token Embeddings
von: Kataiwa, Takuya, et al.
Veröffentlicht: (2025)

On Convolutions, Intrinsic Dimension, and Diffusion Models
von: Leung, Kin Kwan, et al.
Veröffentlicht: (2025)

Which Spatial Partition Trees are Adaptive to Intrinsic Dimension?
von: Verma, Nakul, et al.
Veröffentlicht: (2012)

Compressive Mahalanobis Metric Learning Adapts to Intrinsic Dimension
von: Palias, Efstratios, et al.
Veröffentlicht: (2023)

Intrinsic Dimension Estimation for Radio Galaxy Zoo using Diffusion Models
von: Roset, Joan Font-Quer, et al.
Veröffentlicht: (2025)

bde: A Python Package for Bayesian Deep Ensembles via MILE
von: Arvanitis, Vyron, et al.
Veröffentlicht: (2026)

Position: Why We Must Rethink Empirical Research in Machine Learning
von: Herrmann, Moritz, et al.
Veröffentlicht: (2024)

Differentiable Sparsity via $D$-Gating: Simple and Versatile Structured Penalization
von: Kolb, Chris, et al.
Veröffentlicht: (2025)

Calibrating LLMs with Information-Theoretic Evidential Deep Learning
von: Li, Yawei, et al.
Veröffentlicht: (2025)

Deep Weight Factorization: Sparse Learning Through the Lens of Artificial Symmetries
von: Kolb, Chris, et al.
Veröffentlicht: (2025)

Bayesian Semi-structured Subspace Inference
von: Dold, Daniel, et al.
Veröffentlicht: (2024)

Connecting the Dots: Is Mode-Connectedness the Key to Feasible Sample-Based Inference in Bayesian Neural Networks?
von: Sommer, Emanuel, et al.
Veröffentlicht: (2024)

A Geometric View of Data Complexity: Efficient Local Intrinsic Dimension Estimation with Diffusion Models
von: Kamkari, Hamidreza, et al.
Veröffentlicht: (2024)

Quantum-inspired Benchmark for Estimating Intrinsic Dimension
von: Das, Aritra, et al.
Veröffentlicht: (2025)

A Connection Between Score Matching and Local Intrinsic Dimension
von: Yeats, Eric, et al.
Veröffentlicht: (2025)