新理论揭示机器学习模型尺寸泛化指数级成本

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-15 04:00

研究人员开发了一种新的统计学习理论来理解机器学习模型的尺寸泛化。该理论建立了样本复杂度的尖锐指数分离，表明虽然域内学习误差随样本数量呈多项式衰减，但尺寸泛化误差衰减得慢得多，呈样本大小的对数函数。该工作确定了一个特定的指数源条件，在此条件下尺寸泛化可以实现多项式样本复杂度，提供了无维度缩放定律和匹配最优性能的极小极大下界。 AI

影响这项研究为理解机器学习模型如何泛化到不同尺寸的数据提供了理论基础，有可能提高其在现实场景中的鲁棒性和适用性。

排序理由该条目是一篇提交到 arXiv 的研究论文，详细介绍了一个新的理论框架。[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: 16 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该条目是一篇提交到 arXiv 的研究论文，详细介绍了一个新的理论框架。[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, other; 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) · Behrooz Tahmasebi, Melanie Weber · 2026-10-15 04:00

尺寸泛化中的无量纲缩放律：指数级分离

arXiv:2610.19279v1 Announce Type: new Abstract: Modern machine learning models increasingly operate on variable-size structured data, such as sets and graphs. A central requirement is \emph{size generalization}: the ability of a model trained on inputs of one size to generalize t…

本文如何被排名

报道来源 [1]

尺寸泛化中的无量纲缩放律：指数级分离

相关实体

相关话题