PulseAugur
中
实时 11:01:16

新方法使用 K 最近邻图进行高效核心集选择

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的高效核心集选择方法 KNNG-CS，该方法利用 K 最近邻图。该方法旨在通过选择一个更小、更具代表性的训练数据子集来降低模型训练的计算成本。与先前需要密集成对距离或大型矩阵的方法不同，KNNG-CS 利用局部邻域结构来估计数据项的重要性，从而显著减少选择时间和内存使用量，同时保持可比的准确性。 AI

影响 通过实现更有效的数据子集选择，该方法可以显著减少训练大型 AI 模型所需的计算资源。

排序理由 这是一篇详细介绍一种新核心集选择方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新方法使用 K 最近邻图进行高效核心集选择

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yingfan Liu, Leiyu Zhang, Jiadong Xie, Mingzhe Wang, Jeffrey Xu Yu, Jiangtao Cui ·

    通过 K 最近邻图实现高效核心集选择

    arXiv:2608.16270v1 Announce Type: new Abstract: Coreset selection reduces the cost of model training by replacing a large training set with a small representative subset. Existing gradient-approximation coreset methods such as CRAIG and cluster-based variants can preserve model a…

相关实体

相关话题