研究者提出数据源选择系统Splice并报告实验结果

Ambarish Singh 与 Romila Pradhan 在 arXiv 发表论文，提出面向机器学习任务的目标与成本感知数据源选择系统 Splice，从数据湖发现的候选表中挑选能提升下游任务效用的表子集。 论文报告称，相比使用全部发现的表，Splice 使二分类 F1 分数提升 3–5 个百分点；相比全来源基线，任务效用提升 1.8–13.7 点。其两个加速变体 Splice-DP 与 Splice-Grad 分别用元学习数据画像和梯度对齐估计子集边际贡献，能以少 3–7 倍的模型评估达到同等质量，大规模场景下最多可少 77 倍。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。