arXiv · cs.AI· Shizhan Cai·· 17 天前AI 评分23
基于可学习类别先验的多源数据选择：方差削减与去随机化保证
Probabilistic Multi-Source Data Selection via Learnable Categorical Priors: Variance Reduction and Guaranteed Derandomization
来源与原文
arXiv · cs.AI
作者：Shizhan Cai
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.14942v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
arXiv 论文针对双层多源数据选择问题提出一种新的概率松弛方法，用多个可学习类别先验将分布约束在可行数据子集上，实现无损舍入。该方法的两点梯度估计器避免了 0-1 松弛的逆 Hessian 计算与以往概率松弛中的无界 score 项，并给出降低下层重训次数的可约简表示。论文据此设计了随机梯度算法 ReSGD，在弱次模性下给出近似保证，并通过实验验证了有效性。
来源：arXiv · cs.AI · arxiv.org