Buchumschlag

Spherical Boltzmann machines: a solvable theory of learning and generation in energy-based models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tulinski, Thomas, Cocco, Simona, Monasson, Rémi, Fernandez-De-Cossio-Diaz, Jorge
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

Replica Theory of Spherical Boltzmann Machine Ensembles
von: Tulinski, Thomas, et al.
Veröffentlicht: (2026)

Restoring balance: principled under/oversampling of data for optimal classification
von: Loffredo, Emanuele, et al.
Veröffentlicht: (2024)

Unlearning regularization for Boltzmann Machines
von: Ventura, Enrico, et al.
Veröffentlicht: (2023)

Task learning through stimulation-induced plasticity in neural networks
von: Borra, Francesco, et al.
Veröffentlicht: (2024)

A solvable model of learning generative diffusion: theory and insights
von: Cui, Hugo, et al.
Veröffentlicht: (2025)

A High-Order Cumulant Extension of Quasi-Linkage Equilibrium
von: Shimagaki, Kai S., et al.
Veröffentlicht: (2025)

Active learning of Boltzmann samplers and potential energies with quantum mechanical accuracy
von: Molina-Taborda, Ana, et al.
Veröffentlicht: (2024)

Quantum Boltzmann machine learning of ground-state energies
von: Patel, Dhrumil, et al.
Veröffentlicht: (2024)

Structured quantum learning via em algorithm for Boltzmann machines
von: Kimura, Takeshi, et al.
Veröffentlicht: (2025)

Thermodynamically consistent machine learning model for excess Gibbs energy
von: Hoffmann, Marco, et al.
Veröffentlicht: (2025)

When to retrain a machine learning model
von: Florence, Regol, et al.
Veröffentlicht: (2025)

Negative Dependence as a toolbox for machine learning : review and new developments
von: Tran, Hoang-Son, et al.
Veröffentlicht: (2025)

Fundamentals of quantum Boltzmann machine learning with visible and hidden units
von: Wilde, Mark M.
Veröffentlicht: (2025)

Deep generative models as an adversarial attack strategy for tabular machine learning
von: Dyrmishi, Salijona, et al.
Veröffentlicht: (2024)

AIDetx: a compression-based method for identification of machine-learning generated text
von: Almeida, Leonardo, et al.
Veröffentlicht: (2024)

A solvable generative model with a linear, one-step denoiser
von: Halder, Indranil
Veröffentlicht: (2024)

Hierarchical energy signatures using machine learning for operational visibility and diagnostics in automotive manufacturing
von: Verma, Ankur, et al.
Veröffentlicht: (2024)

Evolutionary Advantage of Diversity-Generating Retroelements in Switching Environments
von: Régnier, Léo, et al.
Veröffentlicht: (2026)

LLM-based feature generation from text for interpretable machine learning
von: Balek, Vojtěch, et al.
Veröffentlicht: (2024)

Extending machine learning model for implicit solvation to free energy calculations
von: Dey, Rishabh, et al.
Veröffentlicht: (2025)

Generative modeling using evolved quantum Boltzmann machines
von: Wilde, Mark M.
Veröffentlicht: (2025)

Energy based diffusion generator for efficient sampling of Boltzmann distributions
von: Wang, Yan, et al.
Veröffentlicht: (2024)

Product Jacobi-Theta Boltzmann machines with score matching
von: Pasquale, Andrea, et al.
Veröffentlicht: (2023)

A phase transition between positional and semantic learning in a solvable model of dot-product attention
von: Cui, Hugo, et al.
Veröffentlicht: (2024)

Time-series surrogates from energy consumers generated by machine learning approaches for long-term forecasting scenarios
von: Gerhards, Ben, et al.
Veröffentlicht: (2025)

epiGPTope: A machine learning-based epitope generator and classifier
von: Manrique, Natalia Flechas, et al.
Veröffentlicht: (2025)

Stochastic parameter reduced-order model based on hybrid machine learning approaches
von: Fang, Cheng, et al.
Veröffentlicht: (2024)

The day-ahead scenario generation method for new energy based on an improved conditional generative diffusion model
von: Wang, Changgang, et al.
Veröffentlicht: (2025)

A generative machine learning model for designing metal hydrides applied to hydrogen storage
von: Liu, Xiyuan, et al.
Veröffentlicht: (2026)

Method of data forward generation with partial differential equations for machine learning modeling in fluid mechanics
von: Chen, Ruilin
Veröffentlicht: (2025)

oRANS: Online optimisation of RANS machine learning models with embedded DNS data generation
von: Dehtyriov, Daniel, et al.
Veröffentlicht: (2025)

An exponential mechanism based on quadratic approximations for fine-tuning machine learning models with privacy guarantees
von: Tran, Hoang, et al.
Veröffentlicht: (2026)

Representing spherical tensors with scalar-based machine-learning models
von: Domina, Michelangelo, et al.
Veröffentlicht: (2025)

Further exploration of binding energy residuals using machine learning and the development of a composite ensemble model
von: Bentley, I., et al.
Veröffentlicht: (2025)

Understanding with toy surrogate models in machine learning
von: Páez, Andrés
Veröffentlicht: (2024)

Predicting the duration of traffic incidents for Sydney greater metropolitan area using machine learning methods
von: Grigorev, Artur, et al.
Veröffentlicht: (2024)

Reproducibility, energy efficiency and performance of pseudorandom number generators in machine learning: a comparative study of python, numpy, tensorflow, and pytorch implementations
von: Antunes, Benjamin, et al.
Veröffentlicht: (2024)

Probabilistic intraday electricity price forecasting using generative machine learning
von: Chen, Jieyu, et al.
Veröffentlicht: (2025)

Orthogonal machine learning for conditional odds and risk ratios
von: Ge, Jiacheng, et al.
Veröffentlicht: (2026)

Expressive equivalence of classical and quantum restricted Boltzmann machines
von: Demidik, Maria, et al.
Veröffentlicht: (2025)