Buchumschlag

Learning Sparse Compositional Functions with Norm-Constrained Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Huang, Shuo, Fiorito, Lorenzo, Rosasco, Lorenzo, Poggio, Tomaso
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

Learning Multi-Index Models with Hyper-Kernel Ridge Regression
von: Huang, Shuo, et al.
Veröffentlicht: (2025)

Iterative regularization in classification via hinge loss diagonal descent
von: Apidopoulos, Vassilis, et al.
Veröffentlicht: (2022)

Learning functions, operators and dynamical systems with kernels
von: Rosasco, Lorenzo
Veröffentlicht: (2025)

Towards a Learning Theory of Representation Alignment
von: Insulla, Francesco, et al.
Veröffentlicht: (2025)

On efficiently computable functions, deep networks and sparse compositionality
von: Poggio, Tomaso
Veröffentlicht: (2025)

How Neural Networks Learn the Support is an Implicit Regularization Effect of SGD
von: Beneventano, Pierfrancesco, et al.
Veröffentlicht: (2024)

On Generalization Bounds for Neural Networks with Low Rank Layers
von: Pinto, Andrea, et al.
Veröffentlicht: (2024)

The $φ$ Curve: The Shape of Generalization through the Lens of Norm-based Capacity Control
von: Wang, Yichen, et al.
Veröffentlicht: (2025)

SGD and Weight Decay Secretly Minimize the Rank of Your Neural Network
von: Galanti, Tomer, et al.
Veröffentlicht: (2022)

Formation of Representations in Neural Networks
von: Ziyin, Liu, et al.
Veröffentlicht: (2024)

Ubiquity of Emergent Hebbian Dynamics in Regularized Learning
von: Koplow, David, et al.
Veröffentlicht: (2025)

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

Topological Invariance and Breakdown in Learning
von: Yang, Yongyi, et al.
Veröffentlicht: (2025)

On the Sample Complexity of Learning for Blind Inverse Problems
von: Buskulic, Nathan, et al.
Veröffentlicht: (2025)

Riemann Tensor Neural Networks: Learning Conservative Systems with Physics-Constrained Networks
von: Jnini, Anas, et al.
Veröffentlicht: (2025)

Momentum Further Constrains Sharpness at the Edge of Stochastic Stability
von: Andreyev, Arseniy, et al.
Veröffentlicht: (2026)

Hierarchical Reasoning Models: Perspectives and Misconceptions
von: Ge, Renee, et al.
Veröffentlicht: (2025)

Neural reproducing kernel Banach spaces and representer theorems for deep networks
von: Bartolucci, Francesca, et al.
Veröffentlicht: (2024)

pAI/MSc: ML Theory Research with Humans on the Loop
von: Abdelmoneum, Mahmoud, et al.
Veröffentlicht: (2026)

Unraveling Syntax: How Language Models Learn Context-Free Grammars
von: Schulz, Laura Ying, et al.
Veröffentlicht: (2025)

Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks
von: Liu, Fanghui, et al.
Veröffentlicht: (2024)

Does Feedback Alignment Work at Biological Timescales?
von: Bacvanski, Marc Gong, et al.
Veröffentlicht: (2025)

A New Formulation for Zeroth-Order Optimization of Adversarial EXEmples in Malware Detection
von: Rando, Marco, et al.
Veröffentlicht: (2024)

Optimization Insights into Deep Diagonal Linear Networks
von: Labarrière, Hippolyte, et al.
Veröffentlicht: (2024)

Same Error, Different Function: The Optimizer as an Implicit Prior in Financial Time Series
von: Cortesi, Federico Vittorio, et al.
Veröffentlicht: (2026)

Parameter Symmetry Potentially Unifies Deep Learning Theory
von: Ziyin, Liu, et al.
Veröffentlicht: (2025)

Does Weight Decay Enhance Training Stability?
von: Saether, Marius, et al.
Veröffentlicht: (2026)

SGD for Variational Inference: Tackling Unbounded Variance via Preconditioning and Dynamic Batching
von: Labarrière, Hippolyte, et al.
Veröffentlicht: (2026)

Stochastic Zeroth order Descent with Structured Directions
von: Rando, Marco, et al.
Veröffentlicht: (2022)

A Scalable Nystrom-Based Kernel Two-Sample Test with Permutations
von: Chatalic, Antoine, et al.
Veröffentlicht: (2025)

The Nyström method for convex loss functions
von: Della Vecchia, Andrea, et al.
Veröffentlicht: (2020)

Too Sharp, Too Sure: When Calibration Follows Curvature
von: Morosini, Alessandro, et al.
Veröffentlicht: (2026)

Heterosynaptic Circuits Are Universal Gradient Machines
von: Ziyin, Liu, et al.
Veröffentlicht: (2025)

Efficient Numerical Integration in Reproducing Kernel Hilbert Spaces via Leverage Scores Sampling
von: Chatalic, Antoine, et al.
Veröffentlicht: (2023)

Do Deep Networks Forget Initialization? A Forgetting-Time View of Practical Inductive Bias
von: Das, Mohua, et al.
Veröffentlicht: (2026)

Topological Neural Networks: Mitigating the Bottlenecks of Graph Neural Networks via Higher-Order Interactions
von: Giusti, Lorenzo
Veröffentlicht: (2024)

Key Design Choices in Source-Free Unsupervised Domain Adaptation: An In-depth Empirical Analysis
von: Maracani, Andrea, et al.
Veröffentlicht: (2024)

Implicit Bias of AdamW: $\ell_\infty$ Norm Constrained Optimization
von: Xie, Shuo, et al.
Veröffentlicht: (2024)

Information Filtering Networks: Theoretical Foundations, Generative Methodologies, and Real-World Applications
von: Aste, Tomaso
Veröffentlicht: (2025)

Computational Efficiency under Covariate Shift in Kernel Ridge Regression
von: Della Vecchia, Andrea, et al.
Veröffentlicht: (2025)