新的 EMS Coreset 算法为机器学习提供高效数据子集选择

研究人员开发了 EMS Coreset，这是一种旨在更高效地为机器学习任务创建代表性数据集子集的新算法。该方法利用带有 Sinkhorn 正则化的期望最大化方法，允许非均匀的 coreset 权重，并提供广义的 k-means 聚类解决方案。与现有的 Wasserstein 和标准 Sinkhorn coreset 选择技术相比，该算法在近似质量和鲁棒性方面表现出竞争力，同时显著减少了计算时间，尤其是在处理大型数据集时。 AI

影响 这种新的 coreset 选择方法可以实现对大型数据集上机器学习模型的更高效训练。

排序理由 该集群包含一篇详细介绍机器学习新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• arXiv
• EMS Coreset
• expectation–maximization algorithm
• k-means clustering
• optimal transport
• Sinkhorn
• Wasserstein

• 论文
• 基础设施

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