使用低偏差点进行机器学习中的数据压缩：实验比较
机器学习
2024-12-16 v2 机器学习
摘要
低偏差点（也称为准蒙特卡罗点）是单位立方体中确定性且巧妙选择的点集，提供均匀分布的近似。我们探讨了两种基于此类低偏差点的方法，以减少大数据集的大小，以训练神经网络。第一种方法是 Dick 和 Feischl 的方法，依赖于数字网络和平均过程。受我们实验发现的启发，我们构建了第二种方法，同样使用数字网络，但采用 Voronoi 聚类而非平均。两种方法与 [14] 的超压缩方法进行比较，后者是 K 均值聚类算法的一个变体。比较以不同目标函数的压缩误差和神经网络训练准确率进行。
关键词
引用
@article{arxiv.2407.07450,
title = {Using Low-Discrepancy Points for Data Compression in Machine Learning: An Experimental Comparison},
author = {Simone Göttlich and Jacob Heieck and Andreas Neuenkirch},
journal= {arXiv preprint arXiv:2407.07450},
year = {2024}
}