Các nhà nghiên cứu từ Đại học Quốc gia Singapore và Alibaba đề xuất InfoBatch: Một khung trí tuệ nhân tạo mới nhằm đạt được tốc độ đào tạo không mất dữ liệu
- Các nhà nghiên cứu từ Đại học Quốc gia Singapore và Alibaba đề xuất InfoBatch, một framework AI mới nhằm tăng tốc độ đào tạo mà không làm mất dữ liệu thông qua việc cắt tỉa dữ liệu động không thiên vị.
- InfoBatch giúp giảm đáng kể gánh nặng tính toán, vượt trội hơn các phương pháp hiện tại ít nhất mười lần về hiệu quả.
- Kết quả đào tạo của InfoBatch không mất mát (lossless) qua nhiều nhiệm vụ khác nhau bao gồm phân loại, phân đoạn ngữ nghĩa, liên quan đến thị giác, và tinh chỉnh hướng dẫn mô hình ngôn ngữ.
- InfoBatch bảo tồn hiệu suất mô hình bằng cách duy trì và cập nhật động điểm số dựa trên mất mát (loss) cho mỗi mẫu dữ liệu trong suốt quá trình đào tạo.
- Khi áp dụng cho các tập dữ liệu như CIFAR10/100 và ImageNet1K, InfoBatch đã tiết kiệm được tới 40% chi phí tính toán tổng thể và 24.8% đến 27% cho các mô hình cụ thể như MAE và mô hình khuếch tán.
- Nghiên cứu InfoBatch có thể tạo ảnh hưởng đáng kể đến tương lai của phương pháp đào tạo máy học, cân bằng hiệu quả và hiệu suất.
📌Các nhà nghiên cứu từ Đại học Quốc gia Singapore và Alibaba đề xuất InfoBatch, một framework AI mới nhằm tăng tốc độ đào tạo mà không làm mất dữ liệu thông qua việc cắt tỉa dữ liệu động không thiên vị. InfoBatch giúp giảm đáng kể gánh nặng tính toán, vượt trội hơn các phương pháp hiện tại ít nhất mười lần về hiệu quả. InfoBatch không chỉ đem lại sự cải thiện về hiệu quả tính toán mà còn duy trì được kết quả đào tạo không mất mát trên nhiều tác vụ khác nhau, đồng thời tiết kiệm đáng kể chi phí và thời gian tính toán.