Newest papers

Learning Computational Structure for Sample-Efficient Prediction

Hangyu Zhou, Constantine Dovrolis, Stephen Mussmann · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28555 · open-access PDF

Hindi

उच्च आयामों में सांख्यिकीय सीखना आयामशीलता के अभिशाप से पीड़ित है। सौभाग्य से, व्यावहारिक रुचि वाले कई कार्य रचनात्मक रूप से दुर्लभ हैं, जिसका अर्थ है कि वे स्थानीय कार्यों की एक संरचना स्वीकार करते हैं, प्रत्येक केवल कुछ बदलावों पर निर्भर करता है, जिससे नमूने की जटिलता को पर्यावरण आयाम के बजाय स्थानीय अराजकता पर निर्भर करने की अनुमति मिलती है। हालांकि, इस लाभ को महसूस करने के लिए छिपी रचनात्मक संरचना का उपयोग करने की आवश्यकता होती है, जो सिद्धांत व्यावहारिक ग्रेडिएंट-आधारित प्रशिक्षण के लिए स्थापित नहीं करता है। हम CSFRBench के साथ इस अंतर का अध्ययन करते हैं, एक नियंत्रित संदर्भ जो लक्ष्य के रचनात्मक गणना को छि

Machine translation (Meta M2M100); the English original follows.

Abstract

Statistical learning in high dimensions suffers from the curse of dimensionality. Fortunately, many functions of practical interest are compositionally sparse, meaning they admit a composition of local functions, each depending on only a few variables, allowing sample complexity to depend on local arity rather than ambient dimension. Yet realizing this benefit requires exploiting hidden compositional structure, which theory does not establish for practical gradient-based training. We study this gap with CSFRBench, a controlled benchmark that hides the target's compositional computation during

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange