研究人员开发了一种新的方法来估计和最小化机器学习中的成对损失函数，这种函数在大规模应用时计算成本可能很高。他们的方法使用抽样调查技术，只保留一小部分成对信息，就能达到使用所有成对信息相当的性能。关键发现是，采样应该直接针对成对数据，而不是单个观测值，并且优先处理信息量大的成对数据可以显著降低计算成本，同时保持准确性。 AI
影响 降低了相似性学习、排序和聚类的计算成本，可能支持更大规模的应用。
排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.02345v1 Announce Type: new Abstract: Many machine learning problems, including similarity learning, ranking, and clustering, rely on empirical pairwise loss functions whose quadratic computational cost quickly becomes prohibitive at scale. We demonstrate how a frugal a…
Many machine learning problems, including similarity learning, ranking, and clustering, rely on empirical pairwise loss functions whose quadratic computational cost quickly becomes prohibitive at scale. We demonstrate how a frugal approach that retains only a fraction of the avai…