Buchumschlag

How Data Augmentation Shapes Neural Representations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	He, Tianxiao, Williams, Alex H., Harvey, Sarah E.
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

What Representational Similarity Measures Imply about Decodable Information
von: Harvey, Sarah E., et al.
Veröffentlicht: (2024)

Partial Soft-Matching Distance for Neural Representational Comparison with Partial Unit Correspondence
von: Kapoor, Chaitanya, et al.
Veröffentlicht: (2026)

Learning to Solve PDEs on Neural Shape Representations
von: Welschinger, Lilian, et al.
Veröffentlicht: (2025)

How Neural Losses Shape VAE Latents
von: Strano, Giorgio, et al.
Veröffentlicht: (2026)

How Embeddings Shape Graph Neural Networks: Classical vs Quantum-Oriented Node Representations
von: Innan, Nouhaila, et al.
Veröffentlicht: (2026)

Discriminating image representations with principal distortions
von: Feather, Jenelle, et al.
Veröffentlicht: (2024)

PRISM: A 3D Probabilistic Neural Representation for Interpretable Shape Modeling
von: Jiao, Yining, et al.
Veröffentlicht: (2026)

Information Shapes Koopman Representation
von: Cheng, Xiaoyuan, et al.
Veröffentlicht: (2025)

Learning Disentangled Equivariant Representation for Explicitly Controllable 3D Molecule Generation
von: Liu, Haoran, et al.
Veröffentlicht: (2024)

Data Diversity as Implicit Regularization: How Does Diversity Shape the Weight Space of Deep Neural Networks?
von: Ba, Yang, et al.
Veröffentlicht: (2024)

Dominant Shuffle: A Simple Yet Powerful Data Augmentation for Time-series Prediction
von: Zhao, Kai, et al.
Veröffentlicht: (2024)

How the Optimizer Shapes Learned Solutions in Equivariant Neural Networks
von: Stupariu, Teodor-Mihai, et al.
Veröffentlicht: (2026)

Inverse Evolution Data Augmentation for Neural PDE Solvers
von: Liu, Chaoyu, et al.
Veröffentlicht: (2025)

Quasi Monte Carlo methods enable extremely low-dimensional deep generative models
von: Martinez, Miles, et al.
Veröffentlicht: (2026)

How Do the Architecture and Optimizer Affect Representation Learning? On the Training Dynamics of Representations in Deep Neural Networks
von: Sharon, Yuval, et al.
Veröffentlicht: (2024)

How Data Mixing Shapes In-Context Learning: Asymptotic Equivalence for Transformers with MLPs
von: Demir, Samet, et al.
Veröffentlicht: (2025)

Neural Networks for Censored Expectile Regression Based on Data Augmentation
von: Cao, Wei, et al.
Veröffentlicht: (2025)

Posterior Uncertainty Quantification in Neural Networks using Data Augmentation
von: Wu, Luhuan, et al.
Veröffentlicht: (2024)

Hybrid Neural Representations for Spherical Data
von: Kim, Hyomin, et al.
Veröffentlicht: (2024)

From Shortcut to Induction Head: How Data Diversity Shapes Algorithm Selection in Transformers
von: Kawata, Ryotaro, et al.
Veröffentlicht: (2025)

The Atlas of In-Context Learning: How Attention Heads Shape In-Context Retrieval Augmentation
von: Kahardipraja, Patrick, et al.
Veröffentlicht: (2025)

How to RETIRE Tabular Data in Favor of Discrete Digital Signal Representation
von: Zyblewski, Paweł, et al.
Veröffentlicht: (2025)

Shape-Aware Topological Representation for Pipeline Hyperbola Detection in GPR Data
von: Kang, Meiyan, et al.
Veröffentlicht: (2025)

Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack
von: Liu, Xin, et al.
Veröffentlicht: (2024)

Harnessing Collective Structure Knowledge in Data Augmentation for Graph Neural Networks
von: Ma, Rongrong, et al.
Veröffentlicht: (2024)

How Label Imbalance Shapes Geometry: A General Spectral Analysis of Multi-Label Neural Collapse
von: Ma, Xiaoxuan, et al.
Veröffentlicht: (2026)

Unpacking the Implicit Norm Dynamics of Sharpness-Aware Minimization in Tensorized Models
von: Cao, Tianxiao, et al.
Veröffentlicht: (2025)

How DDAIR you? Disambiguated Data Augmentation for Intent Recognition
von: Castillo-López, Galo, et al.
Veröffentlicht: (2026)

Modeling Neural Activity with Conditionally Linear Dynamical Systems
von: Geadah, Victor, et al.
Veröffentlicht: (2025)

MENDR: Manifold Explainable Neural Data Representations
von: Chen, Matthew, et al.
Veröffentlicht: (2025)

Panda: Test-Time Adaptation with Negative Data Augmentation
von: Deng, Ruxi, et al.
Veröffentlicht: (2025)

Efficient Topology-aware Data Augmentation for High-Degree Graph Neural Networks
von: Lai, Yurui, et al.
Veröffentlicht: (2024)

Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner
von: Nie, Tong, et al.
Veröffentlicht: (2024)

Towards Generalising Neural Topical Representations
von: Yang, Xiaohao, et al.
Veröffentlicht: (2023)

Alternatives of Unsupervised Representations of Variables on the Latent Space
von: Glushkovsky, Alex
Veröffentlicht: (2024)

RECOMBINER: Robust and Enhanced Compression with Bayesian Implicit Neural Representations
von: He, Jiajun, et al.
Veröffentlicht: (2023)

You Are What You Eat -- AI Alignment Requires Understanding How Data Shapes Structure and Generalisation
von: Lehalleur, Simon Pepin, et al.
Veröffentlicht: (2025)

Probability Passing for Graph Neural Networks: Graph Structure and Representations Joint Learning
von: Wang, Ziyan, et al.
Veröffentlicht: (2024)

JEPAMatch: Geometric Representation Shaping for Semi-Supervised Learning
von: Aghababaei-Harandi, Ali, et al.
Veröffentlicht: (2026)

Towards Understanding the Shape of Representations in Protein Language Models
von: Beshkov, Kosio, et al.
Veröffentlicht: (2025)