标签
本文提出了一种基于嵌入的子集选择方法，利用 Whisper 的预训练编码器和贪心 k 中心算法，选取多样化的训练子集，用于自动语音识别（ASR）微调。在希伯来语和丹麦语上的评估表明，k 中心选择优于随机采样，尤其是在子集规模较小时，这得益于其更高的词汇多样性。
本文介绍了一种名为Metric Match的方法，通过选择样本子集进行人工标注，以更高效地估计LLM裁判的可靠性，将标注成本降低32.5%，并相对于随机选择实现了0.838的胜率。
GRASP 提出了一种几何感知、基于交互的可扩展预训练数据归因方法，该方法对子集动态进行建模，在任务级秩相关上比现有加性方法提升超过两倍，同时降低了计算成本。