Buchumschlag

Unifying Two Types of Scaling Laws from the Perspective of Conditional Kolmogorov Complexity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Wan, Jun
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Incompleteness of AI Safety Verification via Kolmogorov Complexity
von: Hasan, Munawar
Veröffentlicht: (2026)

Scaling Laws and In-Context Learning: A Unified Theoretical Framework
von: Mehta, Sushant, et al.
Veröffentlicht: (2025)

Unifying Learning Dynamics and Generalization in Transformers Scaling Law
von: Yang, Chiwun
Veröffentlicht: (2025)

UniMixer: A Unified Architecture for Scaling Laws in Recommendation Systems
von: Ha, Mingming, et al.
Veröffentlicht: (2026)

Kunlun: Establishing Scaling Laws for Massive-Scale Recommendation Systems through Unified Architecture Design
von: Hou, Bojian, et al.
Veröffentlicht: (2026)

Information-Theoretic Foundations for Neural Scaling Laws
von: Jeon, Hong Jun, et al.
Veröffentlicht: (2024)

The Race to Efficiency: A New Perspective on AI Scaling Laws
von: Lu, Chien-Ping
Veröffentlicht: (2025)

Kolmogorov Arnold Networks (KANs) for Imbalanced Data -- An Empirical Perspective
von: Yadav, Pankaj, et al.
Veröffentlicht: (2025)

Scale-Agnostic Kolmogorov-Arnold Geometry in Neural Networks
von: Vanherreweghe, Mathew, et al.
Veröffentlicht: (2025)

Prime Successor Irreducibility: Turing Machine Complexity, Kolmogorov Complexity, and Weakness-Based Formulations
von: Goertzel, Ben, et al.
Veröffentlicht: (2026)

Parallel Scaling Law: Unveiling Reasoning Generalization through A Cross-Linguistic Perspective
von: Yang, Wen, et al.
Veröffentlicht: (2025)

Scaling Laws with Vocabulary: Larger Models Deserve Larger Vocabularies
von: Tao, Chaofan, et al.
Veröffentlicht: (2024)

The Curse of Helpfulness: Inverse Scaling Law in Robustness to Distractor Instructions via DistractionIF
von: Su, Zeli, et al.
Veröffentlicht: (2026)

Scaling Laws for Educational AI Agents
von: Wu, Mengsong, et al.
Veröffentlicht: (2026)

Are We Scaling the Right Thing? A System Perspective on Test-Time Scaling
von: Zhao, Youpeng, et al.
Veröffentlicht: (2025)

LLMs as Noisy Channels: A Shannon Perspective on Model Capacity and Scaling Laws
von: Ouyang, Xu, et al.
Veröffentlicht: (2026)

Scaling Laws for Energy Efficiency of Local LLMs
von: Alvarez, Ander, et al.
Veröffentlicht: (2025)

Scaling Laws for Speculative Decoding
von: Yan, Siyuan, et al.
Veröffentlicht: (2025)

KANGURA: Kolmogorov-Arnold Network-Based Geometry-Aware Learning with Unified Representation Attention for 3D Modeling of Complex Structures
von: Shafie, Mohammad Reza, et al.
Veröffentlicht: (2025)

Unify Variables in Neural Scaling Laws for General Audio Representations via Embedding Effective Rank
von: Deng, Xuyao, et al.
Veröffentlicht: (2025)

Model Merging Scaling Laws in Large Language Models
von: Wang, Yuanyi, et al.
Veröffentlicht: (2025)

Query2Triple: Unified Query Encoding for Answering Diverse Complex Queries over Knowledge Graphs
von: Xu, Yao, et al.
Veröffentlicht: (2023)

Finding the Minimal Parameter Budget for Implicit Reasoning: A Data Complexity Driven Scaling Law for Language Models
von: Wang, Xinyi, et al.
Veröffentlicht: (2025)

Scale-Parameter Selection in Gaussian Kolmogorov-Arnold Networks
von: Noorizadegan, Amir, et al.
Veröffentlicht: (2026)

Distillation Scaling Laws
von: Busbridge, Dan, et al.
Veröffentlicht: (2025)

On Implications of Scaling Laws on Feature Superposition
von: Katta, Pavan
Veröffentlicht: (2024)

Scaling Law Hypothesis for Multimodal Model
von: Sun, Qingyun, et al.
Veröffentlicht: (2024)

Towards Neural Scaling Laws on Graphs
von: Liu, Jingzhe, et al.
Veröffentlicht: (2024)

On the Optimizer Dependence of Neural Scaling Laws
von: Ramani, Vansh, et al.
Veröffentlicht: (2026)

Scaling Law for Time Series Forecasting
von: Shi, Jingzhe, et al.
Veröffentlicht: (2024)

Beyond Parameters: Exploring Virtual Logic Depth for Scaling Laws
von: Zhu, Ruike, et al.
Veröffentlicht: (2025)

Wukong: Towards a Scaling Law for Large-Scale Recommendation
von: Zhang, Buyun, et al.
Veröffentlicht: (2024)

Deriving Neural Scaling Laws from the statistics of natural language
von: Cagnetta, Francesco, et al.
Veröffentlicht: (2026)

Beyond Scaling Law: A Data-Efficient Distillation Framework for Reasoning
von: Wu, Xiaojun, et al.
Veröffentlicht: (2025)

The Institutional Scaling Law: Non-Monotonic Fitness, Capability-Trust Divergence, and Symbiogenetic Scaling in Generative AI
von: Baciak, Mark, et al.
Veröffentlicht: (2026)

The Quantization Trap: Breaking Linear Scaling Laws in Multi-Hop Reasoning
von: Han, Henry, et al.
Veröffentlicht: (2026)

What Scales in Cross-Entropy Scaling Law?
von: Yan, Junxi, et al.
Veröffentlicht: (2025)

Synergizing Kolmogorov-Arnold Networks with Dynamic Adaptive Weighting for High-Frequency and Multi-Scale PDE Solutions
von: Chen, Guokan, et al.
Veröffentlicht: (2025)

Scaling Laws of Synthetic Data for Language Models
von: Qin, Zeyu, et al.
Veröffentlicht: (2025)

On the Scaling Laws of Geographical Representation in Language Models
von: Godey, Nathan, et al.
Veröffentlicht: (2024)