新的LACS方法动态修剪训练数据，减少计算量

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-05 05:00

研究人员开发了LACS（标签无关置信度选择器），一种在模型训练期间动态修剪数据的新颖方法。该技术共同调整置信度阈值和保留数据量，在选择时既不需要标签也不需要每示例梯度。在包括神经网络、语言建模和提升在内的各种设置下的评估表明，LACS可以将后向激活行减少10-35%，并将经过训练的时间最多减少37%，同时对准确性的影响最小。 AI

影响通过动态修剪数据来降低AI模型训练的计算成本，可能加速开发周期。

排序理由该集群描述了一篇关于机器学习中数据修剪新方法的学术论文。[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: 26 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了一篇关于机器学习中数据修剪新方法的学术论文。[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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Heejin Choi · 2026-11-05 05:00

LACS：面向动态数据剪枝的分布敏感、标签无关的置信度选择

arXiv:2611.05616v1 Announce Type: new Abstract: Training on large datasets motivates selecting which examples receive expensive training computation. Fixed quotas determine the amount of pruning in advance, while absolute confidence cutoffs depend on the score scale. We study a p…

本文如何被排名

报道来源 [1]

LACS：面向动态数据剪枝的分布敏感、标签无关的置信度选择

相关实体

相关话题