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

Vietnamese

Học tập thống kê ở kích thước cao chịu đựng lời nguyền của tính kích thước. May mắn thay, nhiều chức năng có lợi ích thực tế rất hiếm, có nghĩa là chúng thừa nhận một thành phần của các chức năng địa phương, mỗi tùy thuộc vào chỉ một vài biến, cho phép sự phức tạp của mẫu phụ thuộc vào tính trung bình địa phương thay vì kích thước môi trường. Tuy nhiên, nhận ra lợi ích này đòi hỏi phải khai thác cấu trúc thành phần ẩn, mà lý thuyết không thiết lập cho việc đào tạo dựa trên độ dốc thực tế. Chúng tôi nghiên cứu khoảng cách này với CSFRBench, một tiêu chuẩn được kiểm soát che giấu tính toán thành phần của mục tiêu trong

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