Clément Hongler

Biographie

2006: B.Sc. Math, EPFL2008: M.Sc. Math, EPFL2010: Ph.D. Math, Université de Genève2010-2014: Ritt Assistant Professor, Columbia University2014-2018 Tenure-Track Assistant Professor, EPFL2019-present: Associate Professor, EPFL

Source officielle

https://people.epfl.ch/clement.hongler?lang=fr

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Proximité ontologique

Physique

Thermodynamique: Phénomène critique

Unités associées (1)

Cours enseignés par cette personne (3)

Publications associées (20)

Veuillez noter qu'il ne s'agit pas d'une liste complète des publications de cette personne. Elle inclut uniquement les travaux sémantiquement pertinents. Pour une liste complète, veuillez consulter Infoscience.

Personnes menant des recherches similaires (33)

Geometry of the Loss Landscape in Overparameterized Neural Networks: Symmetries and Invariances

Wulfram Gerstner, Clément Hongler, Johanni Michael Brea, Francesco Spadaro, Berfin Simsek, Arthur Jacot

We study how permutation symmetries in overparameterized multi-layer neural networks generate `symmetry-induced' critical points. Assuming a network with

L

layers of minimal widths

r_1^*, \ldots, r_{L-1}^*

reaches a zero-loss minimum at $ r_1^*! \c ...

2021

Clément Hongler

Conformal Field Theory at the Lattice Level: Discrete Complex Analysis and Virasoro Structure

Geometry of the Loss Landscape in Overparameterized Neural Networks: Symmetries and Invariances

Neural Tangent Kernel: Convergence and Generalization in Neural Networks (Invited Paper)

Conformal Field Theory at the Lattice Level: Discrete Complex Analysis and Virasoro Structure

Neural Tangent Kernel: Convergence and Generalization in Neural Networks (Invited Paper)

Geometry of the Loss Landscape in Overparameterized Neural Networks: Symmetries and Invariances