Authors · raw publication identity
Taiji Suzuki
2022–2026 LIVE
日本の大学への公開時点の所属を確認できた著者表記を掲載しています。大学IDと完全一致の著者名でまとめており、人物の名寄せはしていません。同名別人や表記違いの可能性があり、現在所属・全業績・研究者の総合順位を表すものではありません。
公開時所属: 東京大学 · Top conference papers: 70
印刷日： 全論文
出典：https://topcsuniv.org/japan/authors/07dac3f2f0d9edab0065/
論文上の著者表記・公開時所属による集計です。人物の名寄せ・現在所属・全業績を表すものではありません。
分野別内訳
分野別の本数はcross-listにより重なる場合があります。合計本数は同一論文を1本に数えます。
論文一覧
- On the Learning Dynamics of Two-layer Linear Networks with Label Noise SGD
日本大学: 東京大学
- Transformers as Measure-Theoretic Associative Memory: A Statistical Perspective and Minimax Optimality
日本大学: 東京大学
- In-Context Learning Is Provably Bayesian Inference: A Generalization Theory for Meta-Learning
日本大学: 東京大学
- Inference-Aware Meta-Alignment of LLMs via Non-Linear GRPO
日本大学: 東京大学
- Inference-time Alignment with Rewards in Besov Spaces: Provable Advantages of Feature Learning and Multi-Step Policy Updates
日本大学: 東京大学
- Provable Sample Efficiency of Curriculum Post-Training for Transformer Reasoning
日本大学: 東京大学
- Zero-Flow Encoders
日本大学: 東京大学
- Direct Distributional Optimization for Provable Alignment of Diffusion Models
日本大学: 東京大学
- Flow matching achieves almost minimax optimal convergence
日本大学: 東京大学
- On the Optimization and Generalization of Two-layer Transformers with Sign Gradient Descent
日本大学: 東京大学
- Optimality and Adaptivity of Deep Neural Features for Instrumental Variable Regression
日本大学: 東京大学
- State Space Models are Provably Comparable to Transformers in Dynamic Token Selection
日本大学: 東京大学
- Transformers Provably Solve Parity Efficiently with Chain of Thought
日本大学: 東京大学
- Weighted Point Set Embedding for Multimodal Contrastive Learning Toward Optimal Similarity Metric
日本大学: 東京大学
- Direct Density Ratio Optimization: A Statistically Consistent Approach to Aligning Large Language Models
日本大学: 東京大学
- Metastable Dynamics of Chain-of-Thought Reasoning: Provable Benefits of Search, RL and Distillation
日本大学: 東京大学
- Mixture of Experts Provably Detect and Learn the Latent Cluster Structure in Gradient-Based Learning
日本大学: 東京大学
- Nonlinear transformers can perform inference-time feature learning
日本大学: 東京大学
- On the Role of Label Noise in the Feature Learning Process
日本大学: 東京大学
- Propagation of Chaos for Mean-Field Langevin Dynamics and its Application to Model Ensemble
- Provable In-Context Vector Arithmetic via Retrieving Task Concepts
日本大学: 東京大学
- Quantifying Memory Utilization with Effective State-Size
- Degrees of Freedom for Linear Attention: Distilling Softmax Attention with Optimal Feature Efficiency
日本大学: 東京大学
- From Shortcut to Induction Head: How Data Diversity Shapes Algorithm Selection in Transformers
日本大学: 東京大学
- Generalization Bound of Gradient Flow through Training Trajectory and Data-dependent Kernel
日本大学: 東京大学
- Hessian-guided Perturbed Wasserstein Gradient Flows for Escaping Saddle Points
日本大学: 東京大学
- How Does Label Noise Gradient Descent Improve Generalization in the Low SNR Regime?
日本大学: 東京大学
- State Size Independent Statistical Error Bound for Discrete Diffusion Models
日本大学: 東京大学
- Trained Mamba Emulates Online Gradient Descent in In-Context Linear Regression
日本大学: 東京大学
- Learning sum of diverse features: computational hardness and efficient gradient-based training for ridge combinations
日本大学: 東京大学
- Improved statistical and computational complexity of the mean-field Langevin dynamics under structured data
日本大学: 東京大学
- Koopman-based generalization bound: New aspect for full-rank weights
日本大学: 東京大学
- Minimax optimality of convolutional neural networks for infinite dimensional input-output problems and separation from kernel methods
日本大学: 東京大学
- Optimal criterion for feature learning of two-layer linear neural network in high dimensional interpolation regime
日本大学: 東京大学
- Symmetric Mean-field Langevin Dynamics for Distributional Minimax Problems
日本大学: 東京大学
- Understanding Convergence and Generalization in Federated Learning through Feature Learning Theory
日本大学: 東京大学
- High-Dimensional Kernel Methods under Covariate Shift: Data-Dependent Implicit Regularization
日本大学: 東京大学
- How do Transformers Perform In-Context Autoregressive Learning ?
日本大学: 東京大学
- Mean Field Langevin Actor-Critic: Faster Convergence and Global Optimality beyond Lazy Learning
日本大学: 東京大学
- Mean-field Analysis on Two-layer Neural Networks from a Kernel Perspective
日本大学: 東京大学
- Mechanistic Design and Scaling of Hybrid Architectures
日本大学: 東京大学
- Provably Neural Active Learning Succeeds via Prioritizing Perplexing Samples
日本大学: 東京大学
- SILVER: Single-loop variance reduction and application to federated learning
日本大学: 東京大学
- State-Free Inference of State-Space Models: The *Transfer Function* Approach
- Transformers Learn Nonlinear Features In Context: Nonconvex Mean-field Dynamics on the Attention Landscape
日本大学: 東京大学
- Neural network learns low-dimensional polynomials with SGD near the information-theoretic limit
日本大学: 東京大学
- On the Comparison between Multi-modal and Single-modal Contrastive Learning
日本大学: 東京大学
- Pretrained Transformer Efficiently Learns Low-Dimensional Target Functions In-Context
日本大学: 東京大学
- Provably Transformers Harness Multi-Concept Word Semantics for Efficient In-Context Learning
日本大学: 東京大学
- Transformers are Minimax Optimal Nonparametric In-Context Learners
日本大学: 東京大学
- Unveil Benign Overfitting for Transformer in Vision: Training Dynamics, Convergence, and Generalization
日本大学: 東京大学
- Excess Risk of Two-Layer ReLU Neural Networks in Teacher-Student Settings and its Superiority to Kernel Methods
日本大学: 東京大学
- Uniform-in-time propagation of chaos for the mean-field gradient Langevin dynamics
- Approximation and Estimation Ability of Transformers for Sequence-to-Sequence Functions with Infinite Dimensional Input
日本大学: 東京大学
- DIFF2: Differential Private Optimization via Gradient Differences for Nonconvex Distributed Learning
日本大学: 東京大学
- Diffusion Models are Minimax Optimal Distribution Estimators
日本大学: 東京大学
- Primal and Dual Analysis of Entropic Fictitious Play for Finite-sum Problems
- Tight and fast generalization error bound of graph embedding in metric space
- Convergence of mean-field Langevin dynamics: time-space discretization, stochastic gradient, and variance reduction
日本大学: 東京大学
- Feature learning via mean-field Langevin dynamics: classifying sparse parities and beyond
日本大学: 東京大学
- Gradient-Based Feature Learning under Structured Data
日本大学: 東京大学
- Learning in the Presence of Low-dimensional Structure: A Spiked Random Matrix Perspective
日本大学: 東京大学
- Dimension-free convergence rates for gradient Langevin dynamics in RKHS
日本大学: 東京大学
- Learnability of convolutional neural networks for infinite dimensional input via mixed and anisotropic smoothness
日本大学: 東京大学
- Particle Stochastic Dual Coordinate Ascent: Exponential convergent algorithm for mean field neural network optimization
- Understanding the Variance Collapse of SVGD in High Dimensions
日本大学: 東京大学
- Escaping Saddle Points with Bias-Variance Reduced Local Perturbed SGD for Communication Efficient Nonconvex Distributed Learning
日本大学: 東京大学
- High-dimensional Asymptotics of Feature Learning: How One Gradient Step Improves the Representation
日本大学: 東京大学
- Improved Convergence Rate of Stochastic Gradient Langevin Dynamics with Variance Reduction and its Application to Optimization
日本大学: 東京大学
- Two-layer neural network on infinite dimensional data: global optimization guarantee in the mean-field regime