新的基于概念的多样性方法提高了DNN微调效率

研究人员开发了一种名为基于概念的多样性（CBD）的新方法，用于高效地选择用于微调深度神经网络（DNN）的信息性数据子集。该方法利用视觉语言模型（VLMs）来衡量输入多样性，与几何多样性等现有方法相比，显著降低了计算成本。一种结合CBD和称为Margin的不确定性度量的混合方法在改进ImageNet等各种数据集上的DNN模型方面表现出优越的性能，同时保持了计算效率。 AI

影响 这种新方法通过提高数据选择效率，可以显著降低微调大型AI模型的成本和时间。

排序理由 该集群描述了在arXiv上的学术论文中提出的一种新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• arXiv
• Concept-Based Diversity
• Deep Neural Networks
• Hugging Face
• ImageNet
• Mahboubeh Dadkhah
• Margin
• Vision-Language Models

• 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 →