统计学 > 机器学习
[提交于 2025年10月9日
]
标题: 高维合成数据选择分析
标题: High-dimensional Analysis of Synthetic Data Selection
摘要: 尽管在生成模型的发展上取得了进展,但它们在创建能够提高分类器预测性能的合成数据方面的实用性受到了质疑。 除了诸如“合成数据应接近真实数据分布”的启发式原则外,实际上并不清楚哪些特定属性会影响泛化误差。 我们的论文通过高维回归的视角来解决这个问题。 理论上,我们证明了对于线性模型,目标分布与合成数据分布之间的协方差偏移会影响泛化误差,但令人惊讶的是,均值偏移不会。 此外,我们证明在某些情况下,匹配目标分布的协方差是最优的。 值得注意的是,从线性模型中获得的理论见解可以推广到深度神经网络和生成模型中。 我们通过实证表明,协方差匹配过程(将合成数据的协方差与来自目标分布的数据的协方差进行匹配)在多种训练范式、架构、数据集以及用于增强的生成模型中,相对于几种最近的合成数据选择方法表现良好。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.