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 提出 OT-CAL 自适应数据选择方法，用难度、可学习性、不确定性等五个信息量特征描述样本，通过最优传输按样本与课程向量的接近程度分配选择权重，并用被选样本更新课程向量，形成无需人工调度的反馈循环。 在三个标准视觉学习基准上，每个 mini-batch 只选 50% 样本时，OT-CAL 比 AdaSelection 提升 1.3–2.1 分，训练速度比全量数据训练快 1.18–1.24 倍。
AI 根据报道生成 · 47 分钟前更新
最新进展11月3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3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、不确定性等五个信息量特征描述样本，通过最优传输匹配按样本与课程向量的接近程度分配选择权重，并利用被选样本更新课程向量形成无需人工调度的反馈循环。在三个标准视觉学习基准上，每个 mini-batch 只选 50% 样本时，OT-CAL 比 AdaSelection 提升 1.3–2.1 分，训练速度比全量数据训练快 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。