新方法解决了 NP-hard 的大规模数据集多样性选择问题

研究人员开发了一种名为 Spectral DPPs via NEPv 的新方法，以解决从大型数据集中选择多样化、高质量子集这一 NP-hard 问题。该方法将 Determinantal MAP 目标重塑为 Stiefel 流形上的连续优化问题，从而得到一个具有特征向量依赖性的非线性特征值问题 (NEPv)。提出的求解器 OurMethod 提供了一种可扩展的解决方案，可与常见的机器学习核集成，并且在候选池大小上接近线性扩展。 AI

影响 该方法可以提高训练大型 AI 模型的数据整理和子集选择的效率。

排序理由 该集群包含一篇学术论文，详细介绍了一种新的数据选择算法方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• Determinantal MAP
• Hartree–Fock method
• Nepvant
• Nonlinear eigenvalue problems for even functionals
• OurMethod
• Richard Yi Da Xu
• Stiefel manifold

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →