跳到正文
热点事件持续更新

TRV分数助力标签污染数据剪枝

1 篇报道1 个报道来源16 小时前更新

先了解这件事

AI 综述

针对标签污染导致基于损失或梯度的重要性采样与剪枝方法失效的问题，Csongor Horváth等人于2026年10月22日在arXiv发表最新论文，正式提出基于秩方差（TRV）分数的重要性采样与数据剪枝方法。 该方法的核心创新在于利用K个独立代理模型损失的秩方差构建非单调评分规则。它将总秩方差分解为代理间不一致性部分与代理内部分，分别用于采样和剪枝，且这两个指标均能在无标签情况下进行验证，解决了传统方法缺乏有效评估基准的难题。 在CIFAR-10/100标签噪声实验中，该方法表现出显著的优越性。特别是在基于幅度的传统规则失效时，TRV方法的效果明显优于随机选择。此外，该方法具备极高的计算效率，代理模型引入的额外开销仅占总体训练成本的2%至4%。

AI 根据报道生成 · 12 小时前更新

最新进展10月22日 12:00
标签污染下基于秩方差分数的重要性采样与数据剪枝方法

报道时间线

沿着报道，了解事件的不同侧面。

10月22日
  1. arXiv · ML
    标签污染下基于秩方差分数的重要性采样与数据剪枝方法

    标签污染导致基于损失或梯度的重要性采样与剪枝失效，论文提出基于 $K$ 个独立代理模型损失秩方差的非单调评分规则。 该规则将总秩方差分解为代理间不一致性部分（用于采样）和代理内部分（用于剪枝），两者均可在无标签情况下验证。 在 CIFAR-10/100 标签噪声实验中，该方法在基于幅度的规则失效时显著优于随机选择，代理模型开销仅为训练成本的 2-4%。

本事件热度走势

可比范围当前
7
可比范围峰值
910月22日 16:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。