Korean Japanese

新方法CGSD在机器学习训练中分离数据选择与重分布

研究人员引入了一种名为Counterfactual Gate-Support Decomposition (CGSD) 的新方法，以更好地理解训练数据过滤如何影响机器学习模型。传统方法混淆了两种效应：选择哪些数据点以及如何重新分配训练量。CGSD通过使用四臂设计来区分这两种效应，从而将选择效应与重分布效应分离开来。在韩英和韩日检索任务上的实验表明，支持内选择是改进的主要驱动因素，而重分布效应仍无定论。