Buchumschlag

Local Hessian Spectral Filtering for Robust Intrinsic Dimension Estimation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Osada, Genki
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

Local Curvature Smoothing with Stein's Identity for Efficient Score Matching
von: Osada, Genki, et al.
Veröffentlicht: (2024)

Understanding Likelihood of Normalizing Flow and Image Complexity through the Lens of Out-of-Distribution Detection
von: Osada, Genki, et al.
Veröffentlicht: (2024)

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

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

Rethinking Intrinsic Dimension Estimation in Neural Representations
von: Schulte, Rickmer, et al.
Veröffentlicht: (2026)

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

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

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

Depth, Not Data: An Analysis of Hessian Spectral Bifurcation
von: Deng, Shenyang, et al.
Veröffentlicht: (2026)

Hessian Spectral Analysis at Foundation Model Scale
von: Granziol, Diego, et al.
Veröffentlicht: (2026)

Intrinsic Dimension Estimation for Robust Detection of AI-Generated Texts
von: Tulchinskii, Eduard, et al.
Veröffentlicht: (2023)

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

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

Gradient Descent Robustly Learns the Intrinsic Dimension of Data in Training Convolutional Neural Networks
von: Zhang, Chenyang, 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)

Less is More: Local Intrinsic Dimensions of Contextual Language Models
von: Ruppik, Benjamin Matthias, 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)

Manifold Dimension Estimation via Local Graph Structure
von: Bi, Zelong, et al.
Veröffentlicht: (2025)

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

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)

Weighted Spectral Filters for Kernel Interpolation on Spheres: Estimates of Prediction Accuracy for Noisy Data
von: Liu, Xiaotong, et al.
Veröffentlicht: (2024)

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

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

The Rank-Reduced Kalman Filter: Approximate Dynamical-Low-Rank Filtering In High Dimensions
von: Schmidt, Jonathan, et al.
Veröffentlicht: (2023)

The Spectral Dimension of NTKs is Constant: A Theory of Implicit Regularization, Finite-Width Stability, and Scalable Estimation
von: Shukla, Praveen Anilkumar
Veröffentlicht: (2025)

Sandwiching Polynomials for Geometric Concepts with Low Intrinsic Dimension
von: Klivans, Adam R., et al.
Veröffentlicht: (2026)

Smoothed Analysis for Learning Concepts with Low Intrinsic Dimension
von: Chandrasekaran, Gautam, et al.
Veröffentlicht: (2024)

Effect of Ambient-Intrinsic Dimension Gap on Adversarial Vulnerability
von: Haldar, Rajdeep, et al.
Veröffentlicht: (2024)

On the Saturation Effects of Spectral Algorithms in Large Dimensions
von: Lu, Weihao, et al.
Veröffentlicht: (2025)

Intrinsic Dimension Estimating Autoencoder (IDEA) Using CancelOut Layer and a Projected Loss
von: Oriou, Antoine, et al.
Veröffentlicht: (2025)

Intrinsic Biologically Plausible Adversarial Robustness
von: Farinha, Matilde Tristany, et al.
Veröffentlicht: (2023)

On the Use of Bagging for Local Intrinsic Dimensionality Estimation
von: Péter, Kristóf, et al.
Veröffentlicht: (2026)

Hessian Aware Low-Rank Perturbation for Order-Robust Continual Learning
von: Li, Jiaqi, et al.
Veröffentlicht: (2023)

Local Intrinsic Dimensionality for Dynamic Graph Embeddings
von: Knežević, Dušica, et al.
Veröffentlicht: (2024)

Robust Filter Attention: Self-Attention as Precision-Weighted State Estimation
von: Racioppo, Peter
Veröffentlicht: (2025)