OT-CAL：最优传输引导的自适应样本选择方法
热点事件持续更新
OT-CAL：最优传输引导的自适应样本选择方法
1 篇报道1 个报道来源9 小时前更新
先了解这件事
AI 综述
Suryansh Talukdar 与 Jin Soung Yoo 发布 OT-CAL，一种在训练中自动调整采样偏好的自适应数据选择方法。它用难度、可学习性、不确定性等五个特征描述样本，再通过最优传输按样本与当前课程向量的接近程度分配选择权重；课程向量随所选样本更新，形成反馈回路。 在三个标准视觉学习基准上，每批选取 50% 样本时，OT-CAL 比 AdaSelection 提升 1.3–2.1 分，训练速度是全量数据训练的 1.18–1.24 倍。这些结果由作者在论文中报告。
AI 根据报道生成 · 3 小时前更新
最新进展11月2日 13:00
OT-CAL：用最优传输引导自适应样本选择，加速视觉模型训练报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv · cs.AIOT-CAL：用最优传输引导自适应样本选择，加速视觉模型训练
OT-CAL 是一种自适应数据选择方法，用难度、可学习性、不确定性等五个特征描述样本，并通过最优传输匹配按样本与当前课程向量的接近程度分配选择权重，课程向量随所选样本更新形成自适应反馈回路。在三个标准视觉学习基准上，每批选择 50% 样本时，OT-CAL 比 AdaSelection 提升 1.3–2.1 分，训练速度达到全量数据训练的 1.18–1.24 倍。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。