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] · 2026-08-18 04:00

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 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 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]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 58 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yingfan Liu, Leiyu Zhang, Jiadong Xie, Mingzhe Wang, Jeffrey Xu Yu, Jiangtao Cui · 2026-08-18 04:00

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…

本文如何被排名

报道来源 [1]

通过 K 最近邻图实现高效核心集选择

相关实体

相关话题