arXiv ID:
2606.02008
arXiv 提交日期: 2026-06-01
基于复杂度最小化的可证明元学习数据扩展规律 / Provable Data Scaling Law for Meta Learning via Complexity Minimization
1️⃣ 一句话总结
本文提出了一种名为“复杂度最小化”的元表示学习框架,通过评估各领域最合适的下游模型复杂度并最小化跨领域的最坏情况复杂度,从理论上证明了随着预训练数据量增加,小样本学习的错误率会持续下降,从而合理解释了预训练数据规模扩大带来的性能提升现象。