محققان در مقالهای جدید، روشی نوآورانه برای حل چالش «انتخاب زیرمجموعههای متنوع» از دادههای عظیم (مثل میلیاردها نمونه در حین آموزش مدلهای بزرگ) ارائه کردهاند.
تکنیک جدید آنها که Spectral DPPs نام دارد، با استفاده از یک رویکرد ریاضیاتی هوشمندانه (تغییر فرمولبندی مسئله به بهینهسازی روی منیفلد Stiefel)، سرعت انتخاب دادههای باکیفیت و متنوع را به شدت افزایش میدهد. این یعنی:
✅ بهبود دقت و کارایی در آموزش مدلها
✅ تسهیل انتخاب داده برای کارهایی مثل Fine-tuning و In-context learning
✅ حل مشکل پیچیدگی محاسباتی روشهای سنتی (DPP-MAP)
این پیشرفت میتواند به توسعهدهندگان کمک کند تا بدون صرف هزینههای سنگین محاسباتی، بهترین دادهها را برای یادگیری مدلهای هوش مصنوعی انتخاب کنند. 🧠✨
منبع: arXiv Machine Learning