热点事件持续更新
研究者提出动态数据剪枝规则LACS
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
2026年11月5日，研究者在 arXiv 上提出了一种用于动态数据剪枝的规则 LACS（分布敏感无标签置信度选择）。该方法基于最大预测置信度自适应剔除样本，且无需依赖样本标签与样本级梯度。实验表明，LACS 可将神经网络反向传播计算样本行减少 10% 至 35%；在 CIFAR-10 上减少 29% 反向行的同时准确率达 89.77%（全量为 89.82%）；在 14 个表格数据集上将平均测试错误率从 23.36% 降至 22.96%。不过，由于额外的前向打分开销，该方法在神经网络当前的实现中尚未实现墙钟时间加速。
AI 根据报道生成 · 1 小时前更新
最新进展11月5日 13:00
研究者提出动态数据剪枝规则LACS，可减少反向计算行且保证准确率，但当前实现尚未实现墙钟加速。报道时间线
沿着报道，了解事件的不同侧面。
11月5日
- arXiv cs.LGLACS：面向动态数据剪枝的分布敏感无标签置信度选择
研究者提出用于动态数据剪枝的规则 LACS，基于最大预测置信度自适应剔除样本，无需样本标签与样本级梯度。LACS 可将神经网络反向传播计算样本行减少 10-35%，在 CIFAR-10 上减少 29% 反向行且准确率达 89.77%（全量为 89.82%）。在 14 个表格数据集上它将平均测试错误率从 23.36% 降至 22.96%，但神经网络当前实现因额外的前向打分开销尚未实现墙钟时间加速。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。