English(EN) Coupled Scaling: A Representational Accessibility Framework for Neural Scaling Laws

新框架“耦合缩放”重新定义神经缩放定律

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-04 04:00

研究人员引入了耦合缩放（Coupled Scaling），一个用于理解神经缩放定律的新框架，该框架考虑了架构和优化如何影响模型可访问的表征。这种任务条件方法认为，有限预算缩放受到任务结构与系统可访问几何形状之间相互作用的影响。该框架将架构支持与有限预算获取分开，并提出独立于缩放拟合来测量几何形状的测试，通过对现有涌现轨迹的审计来识别因子测试的控制因素。 AI

影响引入了一个新的理论框架，可能改进对模型缩放行为的理解和预测。

排序理由该集群包含一篇详细介绍神经缩放定律新理论框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 15 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍神经缩放定律新理论框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jie Wang · 2026-09-04 04:00

耦合缩放：神经网络缩放定律的表征可达性框架

arXiv:2609.03533v1 Announce Type: new Abstract: Existing theories derive neural scaling from data geometry or a specified data-model spectrum, but systems trained on the same data can scale differently when architecture or optimization changes the representations they can efficie…

本文如何被排名

报道来源 [1]

耦合缩放：神经网络缩放定律的表征可达性框架

相关实体

相关话题