dataset pruning | BriefGPT - AI 论文速递

关键词dataset pruning

搜索结果 - 9

PruNeRF: 通过 3D 空间一致性进行分割中心数据集修剪
通过三维空间一致性的分段中心数据集修剪框架 PruNeRF，本文提出了一种有效地识别和修剪干扰因素的方法，该方法能够在处理神经辐射场 (NeRF) 训练图像中的干扰时表现出色。实验证明 PruNeRF 在对抗干扰因素方面始终优于现有方法。
PDFa month ago
图像超分辨率数据集修剪研究
通过基于损失值的度量对训练数据进行精心选择，可以改进图像超分辨率模型，挑战更多数据必然导致更好性能的传统观念。
PDF3 months ago
数据集难度与归纳偏差的作用
通过对随机和受控因素的比较，我们发现例子排名在不同的训练运行、评分方法和模型架构间存在很大的一致性。同时，我们还开发了一种简单的方法来使用一些敏感的例子对模型架构进行指纹识别。这些发现指导从业者在最大化评分一致性方面（例如通过选择适当的评分
PDF6 months ago
数据精简框架：提升模型性能和效率的端到端自适应数据精简
AdaPruner 是一种自适应数据集修剪框架，通过消除冗余的训练样本和减少计算和内存开销来提高模型性能和效率，可以在无需显式定义度量标准的情况下有效地修剪数据集并进行模型微调，展现了高可伸缩性和兼容性，并在修剪了训练数据的情况下显著提高了
PDF7 months ago
跨训练进度：时态双层深度评分（TDDS）用于增强数据集修剪
该研究提出了一种名为 TDDS（Temporal Dual-Depth Scoring）的新型数据集修剪方法，通过利用双深度策略，在综合考虑训练动态的同时，识别出代表性样本，从而解决了现有方法在数据集修剪中通常产生泛化性差的问题。通过在 C
PDF7 months ago
选择性推动生产力：提高迁移学习效率的高效数据集修剪
在这项工作中，我们旨在解决传输学习的数据集剪枝问题，即如何通过识别和删除冗余的训练样本，提高预训练效率并在下游目标任务中达到无损调优准确度。我们建立了统一的观点，将数据集剪枝与传输学习相结合，并发现现有的数据集剪枝方法不适用于传输学习范式。
PDF9 months ago
SIEVE: 利用图像字幕模型进行多模态数据集修剪
使用图像 - 文本模型预训练的数据集来对模型进行裁剪是一种成功的方法，但它存在一些限制。为解决这些问题，我们提出了一种名为 SIEVE 的方法，它使用由经过预训练的图像 - 文本模型生成的合成标题来评估图像 - 文本对的一致性，并在大规模和
PDF9 months ago
动态不确定性下的大规模数据集修剪
本文提出了一种数据集剪枝方法，利用预测不确定性和训练动态来生成一个信息量丰富的子集，从而用人口可承受的计算成本代替大规模数据集进行深度模型训练，实验结果表明该方法表现优于现有技术，对 ImageNet-1K 和 ImageNet-21K 数
PDFa year ago
CLIP: 用更少的数据更快地训练
该论文提出了一种名为 CLIP 的新型数据处理方法，该方法集成了课程学习和数据集修剪，通过迭代数据修剪来提高模型的学习精度和收敛速度。在人群密度估计模型上进行了大量实验，结果表明，将数据修剪视为课程学习的嵌入过程是新颖的，此方法可以通过减少
PDF2 years ago