#欠采样

AI生成数据异常下的数据集临界性

研究探讨未来LLM训练数据中大量包含AI生成内容的影响，将AI生成数据视为与主数据点关联的异常，分析随机数据集的分解与欠采样特性。通过冗余图与迭代技术，证明强相异分解最小规模存在相变现象：异常数量低于阈值时由主数据决定，超过阈值后由异常主导。