★ 2
研究提出语言感知智能体数据采样框架提升多语言 ASR 训练效率
论文将数据采样 LLM 智能体引入多语言 ASR 训练循环，依据音系、形态、句法层面的错误分析规则，结合训练统计与预算约束，自适应选择域级、样本级、token 级采样策略。在 12 种 Common Voice 语言、Whisper-medium 骨干上，用更少数据与算力超过全量训练，并显著加快收…
arXiv NLP5 天前
#数据采样
共 3 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 2
ARMOR-DP：多语言 BabyLM 动态采样应对最弱语言漂移
arXiv 论文提出 ARMOR-DP 框架，指出多语言 BabyLM 训练中最弱语言会随训练变化，固定采样比例并不合理。框架从表征、曝光、容量与目标压力四方面诊断失衡，并用各语言验证损失动态更新采样。实验显示动态课程检查点优于静态中文保护基线，且所用中文轮次更少。
arXiv NLP6 天前
★ 2
CRISP：面向不平衡表格学习的可扩展重要性分层核心集
针对大规模不平衡表格数据上梯度提升树训练成本高的问题，论文提出 CRISP 方法，按代理模型分数的分位数分层分配负类预算，并用逆倾向权重校正采样偏差。在生产欺诈数据集上减少 95% 负类样本、总训练行数减少 93.2% 时，仍保留全量数据 99.7% 的平均精度。
arXiv cs.LG39 天前