arXiv · cs.AI· Behrooz Tahmasebi, Melanie Weber·· 5 小时前
尺寸泛化的维度无关缩放律：指数分离
Dimension-Free Scaling Laws for Size Generalization: An Exponential Separation
arXiv:2610.19279v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Behrooz Tahmasebi, Melanie Weber
研究任务与主要进展
作者建立尺寸泛化的统计学习理论，并证明在特定条件下，域内误差按 n^{-} 衰减时，跨尺寸泛化误差仅为 (log n)^{-}，形成样本复杂度的指数分离。研究进一步提出指数源条件以恢复多项式样本复杂度，并给出与输入维度无关的匹配 minimax 下界；当前内容仅基于论文摘要，未提供实验与基准细节。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org