Buchumschlag

Large-Scale Dataset Pruning in Adversarial Training through Data Importance Extrapolation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nieth, Björn, Altstidl, Thomas, Schwinn, Leo, Eskofier, Björn
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Effective Data Pruning through Score Extrapolation
von: Schmidt, Sebastian, et al.
Veröffentlicht: (2025)

How Intermodal Interaction Affects the Performance of Deep Multimodal Fusion for Mixed-Type Time Series
von: Dietz, Simon, et al.
Veröffentlicht: (2024)

Sampling-aware Adversarial Attacks Against Large Language Models
von: Beyer, Tim, et al.
Veröffentlicht: (2025)

How Human-Like Are Large Language Models? A Register-Aware Linguistic Evaluation Framework
von: Nieth, Björn, et al.
Veröffentlicht: (2026)

Efficient Adversarial Training in LLMs with Continuous Attacks
von: Xhonneux, Sophie, et al.
Veröffentlicht: (2024)

Adversarial Robustness of Graph Transformers
von: Foth, Philipp, et al.
Veröffentlicht: (2024)

Diffusion LLMs are Natural Adversaries for any LLM
von: Lüdke, David, et al.
Veröffentlicht: (2025)

Closing the Distribution Gap in Adversarial Training for LLMs
von: Hu, Chengzhi, et al.
Veröffentlicht: (2026)

A Probabilistic Perspective on Unlearning and Alignment for Large Language Models
von: Scholten, Yan, et al.
Veröffentlicht: (2024)

Caption-Driven Explorations: Aligning Image and Text Embeddings through Human-Inspired Foveated Vision
von: Zanca, Dario, et al.
Veröffentlicht: (2024)

Efficient Time Series Processing for Transformers and State-Space Models through Token Merging
von: Götz, Leon, et al.
Veröffentlicht: (2024)

Spectral Compact Training: Pre-Training Large Language Models via Permanent Truncated SVD and Stiefel QR Retraction
von: Kohlberger, Björn Roman
Veröffentlicht: (2026)

Soft Prompt Threats: Attacking Safety Alignment and Unlearning in Open-Source LLMs through the Embedding Space
von: Schwinn, Leo, et al.
Veröffentlicht: (2024)

Adversarial Alignment for LLMs Requires Simpler, Reproducible, and More Measurable Objectives
von: Schwinn, Leo, et al.
Veröffentlicht: (2025)

Joint Out-of-Distribution Filtering and Data Discovery Active Learning
von: Schmidt, Sebastian, et al.
Veröffentlicht: (2025)

The Bid Picture: Auction-Inspired Multi-player Generative Adversarial Networks Training
von: Shim, Joo Yong, et al.
Veröffentlicht: (2024)

When to retrain a machine learning model
von: Florence, Regol, et al.
Veröffentlicht: (2025)

Scaling Adversarial Training via Data Selection
von: Ye, Youran, et al.
Veröffentlicht: (2025)

Byte Pair Encoding for Efficient Time Series Forecasting
von: Götz, Leon, et al.
Veröffentlicht: (2025)

Enhancing IMU-Based Online Handwriting Recognition via Contrastive Learning with Zero Inference Overhead
von: Li, Jindong, et al.
Veröffentlicht: (2026)

Assessing Robustness via Score-Based Adversarial Image Generation
von: Kollovieh, Marcel, et al.
Veröffentlicht: (2023)

Joint Relational Database Generation via Graph-Conditional Diffusion Models
von: Ketata, Mohamed Amine, et al.
Veröffentlicht: (2025)

Model Collapse Is Not a Bug but a Feature in Machine Unlearning for LLMs
von: Scholten, Yan, et al.
Veröffentlicht: (2025)

How Class Ontology and Data Scale Affect Audio Transfer Learning
von: Milling, Manuel, et al.
Veröffentlicht: (2026)

Is Adversarial Training with Compressed Datasets Effective?
von: Chen, Tong, et al.
Veröffentlicht: (2024)

Think, Prune, Train, Improve: Scaling Reasoning without Scaling Models
von: Costello, Caia, et al.
Veröffentlicht: (2025)

Soft Label Pruning and Quantization for Large-Scale Dataset Distillation
von: Lingao, Xiao, et al.
Veröffentlicht: (2026)

Adaptive Pruning for Large Language Models with Structural Importance Awareness
von: Zheng, Haotian, et al.
Veröffentlicht: (2024)

Holistic Adversarially Robust Pruning
von: Zhao, Qi, et al.
Veröffentlicht: (2024)

Extracting Unlearned Information from LLMs with Activation Steering
von: Seyitoğlu, Atakan, et al.
Veröffentlicht: (2024)

AdaDeDup: Adaptive Hybrid Data Pruning for Efficient Large-Scale Object Detection Training
von: Kang, Feiyang, et al.
Veröffentlicht: (2025)

Tokenization vs. Augmentation: A Systematic Study of Writer Variance in IMU-Based Online Handwriting Recognition
von: Li, Jindong, et al.
Veröffentlicht: (2026)

Training-Free Dataset Pruning for Instance Segmentation
von: Dai, Yalun, et al.
Veröffentlicht: (2025)

Towards High Supervised Learning Utility Training Data Generation: Data Pruning and Column Reordering
von: Kwok, Tung Sum Thomas, et al.
Veröffentlicht: (2025)

Measuring Sample Importance in Data Pruning for Language Models based on Information Entropy
von: Kim, Minsang, et al.
Veröffentlicht: (2024)

IPPRO: Importance-based Pruning with PRojective Offset for Magnitude-indifferent Structural Pruning
von: Jung, Jaeheun, et al.
Veröffentlicht: (2025)

Flow Matching with Gaussian Process Priors for Probabilistic Time Series Forecasting
von: Kollovieh, Marcel, et al.
Veröffentlicht: (2024)

Bayesian Neural Scaling Law Extrapolation with Prior-Data Fitted Networks
von: Lee, Dongwoo, et al.
Veröffentlicht: (2025)

Scale Efficient Training for Large Datasets
von: Zhou, Qing, et al.
Veröffentlicht: (2025)

Random Aggregate Beamforming for Over-the-Air Federated Learning in Large-Scale Networks
von: Xu, Chunmei, et al.
Veröffentlicht: (2024)