kirk86 > deep-learning machine-learning

закладки (спрятать)1
показать
всё
только закладки
закладки на страницу
5
10
20
50
100
RSS
BibTeX
XML

публикации (спрятать)37
показать
всё
только публикации
публикации на страницу
5
10
20
50
100
расширенный...
RSS
BibTeX
RDF
дальше...

1Mean-field inference methods for neural networks
M. Gabrié. (2020)
5 лет назад , @kirk86
deep-learning
readings
machine-learning
physics
survey
mean-field
theory
deep-learningreadingsmachine-learningphysicssurveymean-fieldtheory
копироватьудалитьдобавить публикацию в буфер
3Invertible Residual Networks
J. Behrmann, W. Grathwohl, R. Chen, D. Duvenaud, и J. Jacobsen. Proceedings of the 36th International Conference on Machine Learning, том 97 из Proceedings of Machine Learning Research, стр. 573--582. Long Beach, California, USA, PMLR, (09--15 Jun 2019)
6 лет назад , @kirk86
deep-learning
machine-learning
deep-learningmachine-learning
копироватьудалитьдобавить публикацию в буфер
2Open Questions about Generative Adversarial Networks
A. Odena. Distill, (апреля 2019)
6 лет назад , @kirk86
deep-learning
generative-models
machine-learning
adversarial
deep-learninggenerative-modelsmachine-learningadversarial
копироватьудалитьдобавить публикацию в буфер
1Rethinking statistical learning theory: learning using statistical invariants
V. Vapnik, и R. Izmailov. Machine Learning, 108 (3): 381--423 (01.03.2019)
5 лет назад , @kirk86
deep-learning
readings
generalization
machine-learning
foundations
invariance
theory
deep-learningreadingsgeneralizationmachine-learningfoundationsinvariancetheory
копироватьудалитьдобавить публикацию в буфер
2ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness.
R. Geirhos, P. Rubisch, C. Michaelis, M. Bethge, F. Wichmann, и W. Brendel. International Conference on Learning Representations, (2019)
6 лет назад , @kirk86
deep-learning
machine-learning
stable
foundations
robustness
theory
deep-learningmachine-learningstablefoundationsrobustnesstheory
копироватьудалитьдобавить публикацию в буфер
2Luck Matters: Understanding Training Dynamics of Deep ReLU Networks
Y. Tian, T. Jiang, Q. Gong, и A. Morcos. (2019)cite arxiv:1905.13405.
6 лет назад , @kirk86
deep-learning
optimization
machine-learning
dynamic
theory
deep-learningoptimizationmachine-learningdynamictheory
копироватьудалитьдобавить публикацию в буфер
1The phase diagram of approximation rates for deep neural networks
D. Yarotsky, и A. Zhevnerchuk. (2019)cite arxiv:1906.09477Comment: 21 page.
5 лет назад , @kirk86
deep-learning
machine-learning
deep-learningmachine-learning
копироватьудалитьдобавить публикацию в буфер
1A mean-field limit for certain deep neural networks
D. Araújo, R. Oliveira, и D. Yukimura. (2019)cite arxiv:1906.00193Comment: 79 pages and 2 figures.
6 лет назад , @kirk86
deep-learning
machine-learning
theory
deep-learningmachine-learningtheory
копироватьудалитьдобавить публикацию в буфер
5Deep Scale-spaces: Equivariance Over Scale
D. Worrall, и M. Welling. (2019)cite arxiv:1905.11697.
6 лет назад , @kirk86
equivariance
deep-learning
machine-learning
theory
equivariancedeep-learningmachine-learningtheory
копироватьудалитьдобавить публикацию в буфер
2Limitations of the Empirical Fisher Approximation
F. Kunstner, L. Balles, и P. Hennig. (2019)cite arxiv:1905.12558.
6 лет назад , @kirk86
deep-learning
optimization
machine-learning
theory
deep-learningoptimizationmachine-learningtheory
копироватьудалитьдобавить публикацию в буфер
4Hamiltonian Neural Networks
S. Greydanus, M. Dzamba, и J. Yosinski. (2019)cite arxiv:1906.01563Comment: Main paper has 8 pages and 5 figures. Under review for NeurIPS 2019.
6 лет назад , @kirk86
deep-learning
machine-learning
learning
dynamic
theory
deep-learningmachine-learninglearningdynamictheory
копироватьудалитьдобавить публикацию в буфер
3Model Similarity Mitigates Test Set Overuse
H. Mania, J. Miller, L. Schmidt, M. Hardt, и B. Recht. (2019)cite arxiv:1905.12580Comment: 18 pages, 7 figures.
6 лет назад , @kirk86
deep-learning
generalization
stats
machine-learning
mathematics
probability
bounds
learning
theory
deep-learninggeneralizationstatsmachine-learningmathematicsprobabilityboundslearningtheory
копироватьудалитьдобавить публикацию в буфер
3The spiked matrix model with generative priors
B. Aubin, B. Loureiro, A. Maillard, F. Krzakala, и L. Zdeborová. (2019)cite arxiv:1905.12385Comment: 12 + 56, 8 figures, v2 lighter jpeg figures.
6 лет назад , @kirk86
deep-learning
stats
generative-models
machine-learning
mathematics
probability
sparsity
theory
deep-learningstatsgenerative-modelsmachine-learningmathematicsprobabilitysparsitytheory
копироватьудалитьдобавить публикацию в буфер
3How to Initialize your Network? Robust Initialization for WeightNorm & ResNets
D. Arpit, V. Campos, и Y. Bengio. (2019)cite arxiv:1906.02341.
5 лет назад , @kirk86
deep-learning
machine-learning
deep-learningmachine-learning
копироватьудалитьдобавить публикацию в буфер
2How do infinite width bounded norm networks look in function space?
P. Savarese, I. Evron, D. Soudry, и N. Srebro. (2019)cite arxiv:1902.05040.
6 лет назад , @kirk86
deep-learning
machine-learning
stable
foundations
theory
deep-learningmachine-learningstablefoundationstheory
копироватьудалитьдобавить публикацию в буфер
3Explaining Landscape Connectivity of Low-cost Solutions for Multilayer Nets
R. Kuditipudi, X. Wang, H. Lee, Y. Zhang, Z. Li, W. Hu, S. Arora, и R. Ge. (2019)cite arxiv:1906.06247.
5 лет назад , @kirk86
deep-learning
readings
optimization
machine-learning
foundations
theory
deep-learningreadingsoptimizationmachine-learningfoundationstheory
копироватьудалитьдобавить публикацию в буфер
3Functional Adversarial Attacks
C. Laidlaw, и S. Feizi. (2019)cite arxiv:1906.00001.
6 лет назад , @kirk86
deep-learning
machine-learning
adversarial
deep-learningmachine-learningadversarial
копироватьудалитьдобавить публикацию в буфер
2Do Neural Dialog Systems Use the Conversation History Effectively? An Empirical Study
C. Sankar, S. Subramanian, C. Pal, S. Chandar, и Y. Bengio. (2019)cite arxiv:1906.01603Comment: To appear at ACL 2019.
6 лет назад , @kirk86
deep-learning
machine-learning
deep-learningmachine-learning
копироватьудалитьдобавить публикацию в буфер
1Storage capacity in symmetric binary perceptrons
B. Aubin, W. Perkins, и L. Zdeborová. (2019)cite arxiv:1901.00314Comment: 18 + 7 pages.
6 лет назад , @kirk86
deep-learning
stats
machine-learning
probability
theory
deep-learningstatsmachine-learningprobabilitytheory
копироватьудалитьдобавить публикацию в буфер
3Reconciling modern machine learning practice and the bias-variance trade-off
M. Belkin, D. Hsu, S. Ma, и S. Mandal. (2018)cite arxiv:1812.11118.
5 лет назад , @kirk86
deep-learning
machine-learning
deep-learningmachine-learning
копироватьудалитьдобавить публикацию в буфер

&lang;&lang;
⟨
1
2
&rang;
⟩⟩

BibSonomy

закладки (спрятать)1
показать
всё
только закладки
закладки на страницу
5
10
20
50
100
RSS
BibTeX
XML

2Foundations of Deep Learning | Simons Institute for the Theory of Computing

публикации (спрятать)37
показать
всё
только публикации
публикации на страницу
5
10
20
50
100
расширенный...
RSS
BibTeX
RDF
дальше...

1Mean-field inference methods for neural networks

3Invertible Residual Networks

2Open Questions about Generative Adversarial Networks

1Rethinking statistical learning theory: learning using statistical invariants

2ImageNet-trained CNNs are biased towards texture; increasing shape bias improves accuracy and robustness.

2Luck Matters: Understanding Training Dynamics of Deep ReLU Networks

1The phase diagram of approximation rates for deep neural networks

1A mean-field limit for certain deep neural networks

5Deep Scale-spaces: Equivariance Over Scale

2Limitations of the Empirical Fisher Approximation

4Hamiltonian Neural Networks

3Model Similarity Mitigates Test Set Overuse

3The spiked matrix model with generative priors

3How to Initialize your Network? Robust Initialization for WeightNorm & ResNets

2How do infinite width bounded norm networks look in function space?

3Explaining Landscape Connectivity of Low-cost Solutions for Multilayer Nets

3Functional Adversarial Attacks

2Do Neural Dialog Systems Use the Conversation History Effectively? An Empirical Study

1Storage capacity in symmetric binary perceptrons

3Reconciling modern machine learning practice and the bias-variance trade-off

просмотр

сходные по теме тэги

концепции

тэги

закладки (спрятать)1 показатьвсётолько закладкизакладки на страницу5102050100 RSSBibTeXXML

публикации (спрятать)37 показатьвсётолько публикациипубликации на страницу5102050100 расширенный... RSSBibTeXRDFдальше...

просмотр

сходные по теме тэги

тэги

закладки (спрятать)1
показать
всё
только закладки
закладки на страницу
5
10
20
50
100
RSS
BibTeX
XML

публикации (спрятать)37
показать
всё
только публикации
публикации на страницу
5
10
20
50
100
расширенный...
RSS
BibTeX
RDF
дальше...