Ahmed Mehdi Inane

新研究论文重新定义了机器学习模型的数据选择

一篇新发表在arXiv上的研究论文提出了一种机器学习模型数据选择的新方法，挑战了最小化总体误差的传统目标。该论文引入了“忠实度”（faithfulness）的概念，它提供了一个可估计的代理指标，用于上限化在子集与完整数据集上训练时的性能差异。虽然该问题是NP难的，但研究人员开发了一种基于交换的局部搜索算法来改进数据选择，并在CIFAR-10和CIFAR-100数据集上证明了其有效性，达到了现有基线水平。