无标签线性规划数据集剪枝论文发布

Rodrigo Schuller 与 Francisco Ganacim 发布论文《Dataset Pruning from First Principles: A Label-Free Linear Programming Approach》，提出一种无标签、无需模型训练的数据集剪枝方法：把无偏子集选择重构为方差最小化问题，将无偏子集选择算法刻画为高维多面体，并用顶点游走近似优化方差目标。 据该论文称，在 CIFAR-10、MNIST 和 CelebA 上，该方法在每个评测预算下的平均测试准确率均不逊于均匀采样，在小预算下优于同类几何方法，并能在批量不变的情况下通过提升 mini-batch 多样性降低随机梯度方差。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。