尺寸泛化免维度缩放律理论研究：指数分离

Behrooz Tahmasebi 与 Melanie Weber 发布 arXiv 论文《Dimension-Free Scaling Laws for Size Generalization: An Exponential Separation》，建立尺寸泛化的统计学习理论。论文证明在特定条件下，当域内误差按 n^{-Θ(1)} 衰减时，跨尺寸泛化误差仅为 (log n)^{-Θ(1)}，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，以确立最优性。当前信息仅基于论文摘要，材料未提供实验与基准细节。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。