基于第一性原理的数据集剪枝：一种无标签线性规划方法

新研究将无偏子集选择重构为高维多面体上的方差最小化问题，实现了一种在样本筛选过程中无需标签和模型训练的数据集剪枝方法。在 CIFAR-10、MNIST 和 CelebA 基准测试中，该方法在各评估预算下的平均测试准确率均达到或超越均匀采样，在小预算场景下优于现有几何方法。此外，该框架还可在批次大小不变的前提下降低随机梯度方差。