穿越电信 lens：所有训练样本都重要吗？

AI 在电信领域的崛起，从优化无线接入网络到管理用户体验，都导致数据 volumes 和训练需求急剧上升。电信数据常常噪声大、维度高，且存储、处理和标注成本高昂。尽管 AI 在电信领域发挥着关键作用，但标准工作流程仍假设所有训练样本都等重要。在另一方面，下一代系统需要准确、高效且可持续的 AI 模型。本文通过关注单个样本在电信训练中的作用，并评估所提出模型是否优化计算和能源使用，来质疑等重要性假设。我们在训练过程中进行样本级别的梯度分析，以识别模型学习中影响和冗余的模式。基于此，我们提出一种样本重要性框架，通过有选择地优先处理有影响力的数据来减少计算，而不会牺牲准确性。在三个真实电信数据集上的实验表明，我们的方法在保留性能的同时，减少了数据需求和计算开销，推进了电信领域可持续 AI 的目标。