English(EN) Beyond the Log-Linear Frontier: Pre-Asymptotic Analysis of Finite-Budget Neural Scaling Laws

新的分析方法改进了有限计算预算下的神经网络缩放定律

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-11 05:00

研究人员开发了一种新的方法来分析超越传统对数线性模型的神经网络缩放定律，特别适用于计算预算有限的情况。该方法利用 Mellin-Barnes 分析来理解谱和域异质性如何影响学习曲线，并引入了一个考虑曲率和对数过渡的三项展开。该论文还提出了 Aitken 差分技术用于稳定的参数初始化，以及 KKT 对偶用于最优数据分配，在各种模型规模和数据集上均显著提高了预测准确性并减少了分配遗憾。 AI

影响这项研究通过优化计算分配和数据使用，可能导致更高效的大型人工智能模型训练。

排序理由这是一篇详细介绍神经网络缩放定律新分析方法的学术论文。[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: 36 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 这是一篇详细介绍神经网络缩放定律新分析方法的学术论文。[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, infra; 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) · Tianyu Zhao, Zhixiang Ren · 2026-11-11 05:00

超越对数线性前沿：有限预算神经网络缩放定律的渐近前分析

arXiv:2611.13534v1 Announce Type: new Abstract: Classical neural scaling laws model excess risk as a separable power law in model capacity $N$ and dataset size $D$. At finite budgets, however, empirical learning curves and compute-optimal allocations depart from this log-linear f…

本文如何被排名

报道来源 [1]

超越对数线性前沿：有限预算神经网络缩放定律的渐近前分析

相关实体

相关话题