研究者提出张量网络数据模型提升训练数据归因效率
热点事件持续更新
研究者提出张量网络数据模型提升训练数据归因效率
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Farzaneh Heidari 等研究者提出张量网络数据模型（TNDM），旨在解决线性数据模型无法表征训练数据间联合效应的局限。该模型利用低秩张量网络对训练单元间的依赖关系进行紧凑建模。 在推理任务中，TNDM-TT 变体仅需观察约 0.0061% 的潜在训练子集，相比线性模型将预测 NMSE 降低 89%。此外，TNDM-CP 在事实关联微调场景中表现优异，将留出集 R² 从 0.579 提升至 0.668。
AI 根据报道生成 · 1 小时前更新
最新进展10月20日 12:00
Tensor Network Datamodels for Training Data Attribution报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · MLTensor Network Datamodels for Training Data Attribution
研究者提出张量网络数据模型（TNDM），利用低秩张量网络建模训练数据间的非加性交互效应，以解决线性数据模型无法表征联合效应的局限。 TNDM-TT 在推理任务中仅观察约 0.0061% 的所有可能训练子集，相比线性数据模型将预测 NMSE 降低 89%；TNDM-CP 在事实关联微调中将留出集 R² 从 0.579 提升至 0.668。
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。