Buchumschlag

A Theory of Generalization in Deep Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Litman, Elon, Guo, Gabe
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

You Need Better Attention Priors
von: Litman, Elon, et al.
Veröffentlicht: (2026)

The Origin of Edge of Stability
von: Litman, Elon
Veröffentlicht: (2026)

Scaled-Dot-Product Attention as One-Sided Entropic Optimal Transport
von: Litman, Elon
Veröffentlicht: (2025)

Equilibrium Propagation Without Limits
von: Litman, Elon
Veröffentlicht: (2025)

ABC: Any-Subset Autoregression via Non-Markovian Diffusion Bridges in Continuous Time and Space
von: Guo, Gabe, et al.
Veröffentlicht: (2026)

Reviving Any-Subset Autoregressive Models with Principled Parallel Sampling and Speculative Decoding
von: Guo, Gabe, et al.
Veröffentlicht: (2025)

Learning When to Stop: Adaptive Latent Reasoning via Reinforcement Learning
von: Ning, Alex, et al.
Veröffentlicht: (2025)

A Generalized Information Bottleneck Theory of Deep Learning
von: Westphal, Charles, et al.
Veröffentlicht: (2025)

There Will Be a Scientific Theory of Deep Learning
von: Simon, Jamie, et al.
Veröffentlicht: (2026)

The Propagation Field: A Geometric Substrate Theory of Deep Learning
von: Gu, Xingrui
Veröffentlicht: (2026)

Generalized Regularized Evidential Deep Learning Models: Theory and Comprehensive Evaluation
von: Pandey, Deep Shankar, et al.
Veröffentlicht: (2025)

A Survey on Statistical Theory of Deep Learning: Approximation, Training Dynamics, and Generative Models
von: Suh, Namjoon, et al.
Veröffentlicht: (2024)

Artificial Neural Network and Deep Learning: Fundamentals and Theory
von: Hammad, M. M.
Veröffentlicht: (2024)

Controllable Data Generation by Deep Learning: A Review
von: Wang, Shiyu, et al.
Veröffentlicht: (2022)

Conjugate Learning Theory: Uncovering the Mechanisms of Trainability and Generalization in Deep Neural Networks
von: Qi, Binchuan
Veröffentlicht: (2026)

SETOL: A Semi-Empirical Theory of (Deep) Learning
von: Martin, Charles H, et al.
Veröffentlicht: (2025)

A Practical Theory of Generalization in Selectivity Learning
von: Wu, Peizhi, et al.
Veröffentlicht: (2024)

Deep ARTMAP: Generalized Hierarchical Learning with Adaptive Resonance Theory
von: Melton, Niklas M., et al.
Veröffentlicht: (2025)

Randomness Helps Rigor: A Probabilistic Learning Rate Scheduler Bridging Theory and Deep Learning Practice
von: Devapriya, Dahlia, et al.
Veröffentlicht: (2024)

On the Ability of Deep Networks to Learn Symmetries from Data: A Neural Kernel Theory
von: Perin, Andrea, et al.
Veröffentlicht: (2024)

When Deep Learning Meets Polyhedral Theory: A Survey
von: Huchette, Joey, et al.
Veröffentlicht: (2023)

Random Matrix Theory for Deep Learning: Beyond Eigenvalues of Linear Models
von: Liao, Zhenyu, et al.
Veröffentlicht: (2025)

In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning
von: Wakayama, Tomoya, et al.
Veröffentlicht: (2025)

A Deep Learning Framework for Multi-Operator Learning: Architectures and Approximation Theory
von: Weihs, Adrien, et al.
Veröffentlicht: (2025)

A Generative Deep Learning Approach for Crash Severity Modeling with Imbalanced Data
von: Chen, Junlan, et al.
Veröffentlicht: (2024)

Gradient-Based Multi-Objective Deep Learning: Algorithms, Theories, Applications, and Beyond
von: Chen, Weiyu, et al.
Veröffentlicht: (2025)

A General Theory for Compositional Generalization
von: Fu, Jingwen, et al.
Veröffentlicht: (2024)

Position: A Theory of Deep Learning Must Include Compositional Sparsity
von: Danhofer, David A., et al.
Veröffentlicht: (2025)

Pragmatic Policy Development via Interpretable Behavior Cloning
von: Matsson, Anton, et al.
Veröffentlicht: (2025)

Advancing Molecular Machine Learning Representations with Stereoelectronics-Infused Molecular Graphs
von: Boiko, Daniil A., et al.
Veröffentlicht: (2024)

Generative Flow Networks: Theory and Applications to Structure Learning
von: Deleu, Tristan
Veröffentlicht: (2025)

Probabilistic Learning and Generation in Deep Sequence Models
von: Chen, Wenlong
Veröffentlicht: (2026)

Feature Selection as Deep Sequential Generative Learning
von: Ying, Wangyang, et al.
Veröffentlicht: (2024)

Generalization Analysis for Deep Contrastive Representation Learning
von: Hieu, Nong Minh, et al.
Veröffentlicht: (2024)

Cross-Dataset Generalization in Deep Learning
von: Zhang, Xuyu, et al.
Veröffentlicht: (2024)

Copresheaf Topological Neural Networks: A Generalized Deep Learning Framework
von: Hajij, Mustafa, et al.
Veröffentlicht: (2025)

Recurrent Expansion: A Pathway Toward the Next Generation of Deep Learning
von: Berghout, Tarek
Veröffentlicht: (2025)

Enhancing Accuracy in Deep Learning Using Random Matrix Theory
von: Berlyand, Leonid, et al.
Veröffentlicht: (2023)

Deep Learning on Graphs for Mobile Network Topology Generation
von: Meli, Felix Nannesson, et al.
Veröffentlicht: (2025)

On Rademacher Complexity-based Generalization Bounds for Deep Learning
von: Truong, Lan V.
Veröffentlicht: (2022)