尺寸泛化的无维度扩展定律：样本复杂度的指数级分离

研究人员建立了尺寸泛化的统计学习理论，证明多项式源衰减条件在域内可实现 $n^{-\Theta(1)}$ 误差，但跨尺寸泛化误差仅以 $(\log n)^{-\Theta(1)}$ 衰减，导致样本复杂度出现指数级分离。该研究进一步提出了可恢复多项式样本复杂度的指数源条件，并给出匹配的极大极小下界，构建了不依赖输入维度的扩展定律。