研究者提出OT-CAL自适应样本选择方法提升视觉学习效率

Suryansh Talukdar 与 Jin Soung Yoo 发布论文，提出基于最优传输的自适应训练样本选择方法 OT-CAL。该方法用难度、可学习性、不确定性等五个信息量特征描述样本，通过课程向量与最优传输匹配动态调整采样权重，无需人工设定训练日程。 论文称，在三个标准视觉学习基准上，当每个 mini-batch 选取 50% 样本时，OT-CAL 比同类方法 AdaSelection 提升 1.3–2.1 个百分点，训练速度比用全量数据训练快 1.18–1.24 倍。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。