标签
本文提出UASPL，一种将预测可靠性融入自步学习样本选择的方法，使用证据神经网络，提升了分类性能和可解释性。
提出 K-ABENA 框架，一种选择性梯度计算框架，采用基于补偿损失的样本排除与无偏梯度估计，证明收敛保证，并在多种数据集上实现 28-54% 的计算节省且无性能下降。
RADS 利用强化学习挑选最具信息量的样本进行少样本微调，在低资源且极度不平衡的临床数据集上显著提高迁移学习准确率。
本文提出 ACSESS 方法，用于自动组合多种样本选择策略来改进少样本学习的性能，涵盖上下文学习和梯度优化两种方法。该工作在包含文本和图像两种模态的 14 个数据集上证明，策略组合的效果始终优于单个选择方法。
DataFlex是一个面向大语言模型数据驱动动态训练的统一框架，集成了样本选择、领域混合调整和样本重加权，兼容标准工作流程并支持高效大规模部署，相比静态训练实现了一致的性能提升。