Embedding And Clustering Your Data Can Improve Contrastive Pretraining
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Merrick, Luke |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Arctic-Embed 2.0: Multilingual Retrieval Without Compromise
par: Yu, Puxuan, et autres
Publié: (2024)
par: Yu, Puxuan, et autres
Publié: (2024)
Improving Pretraining Data Using Perplexity Correlations
par: Thrush, Tristan, et autres
Publié: (2024)
par: Thrush, Tristan, et autres
Publié: (2024)
NoteContrast: Contrastive Language-Diagnostic Pretraining for Medical Text
par: Kailas, Prajwal, et autres
Publié: (2024)
par: Kailas, Prajwal, et autres
Publié: (2024)
BeyondWeb: Lessons from Scaling Synthetic Data for Trillion-scale Pretraining
par: DatologyAI, et autres
Publié: (2025)
par: DatologyAI, et autres
Publié: (2025)
Language Models Improve When Pretraining Data Matches Target Tasks
par: Mizrahi, David, et autres
Publié: (2025)
par: Mizrahi, David, et autres
Publié: (2025)
Maximize Your Data's Potential: Enhancing LLM Accuracy with Two-Phase Pretraining
par: Feng, Steven, et autres
Publié: (2024)
par: Feng, Steven, et autres
Publié: (2024)
An Improved Deep Learning Model for Word Embeddings Based Clustering for Large Text Datasets
par: Sutrakar, Vijay Kumar, et autres
Publié: (2025)
par: Sutrakar, Vijay Kumar, et autres
Publié: (2025)
How Learning Rate Decay Wastes Your Best Data in Curriculum-Based LLM Pretraining
par: Luo, Kairong, et autres
Publié: (2025)
par: Luo, Kairong, et autres
Publié: (2025)
Diffusion-Pretrained Dense and Contextual Embeddings
par: Eslami, Sedigheh, et autres
Publié: (2026)
par: Eslami, Sedigheh, et autres
Publié: (2026)
Detecting Pretraining Data from Large Language Models
par: Shi, Weijia, et autres
Publié: (2023)
par: Shi, Weijia, et autres
Publié: (2023)
Efficient and Flexible Topic Modeling using Pretrained Embeddings and Bag of Sentences
par: Schneider, Johannes
Publié: (2023)
par: Schneider, Johannes
Publié: (2023)
Task-Adaptive Pretrained Language Models via Clustered-Importance Sampling
par: Grangier, David, et autres
Publié: (2024)
par: Grangier, David, et autres
Publié: (2024)
Your Mixture-of-Experts LLM Is Secretly an Embedding Model For Free
par: Li, Ziyue, et autres
Publié: (2024)
par: Li, Ziyue, et autres
Publié: (2024)
Data-Centric Lessons To Improve Speech-Language Pretraining
par: Udandarao, Vishaal, et autres
Publié: (2025)
par: Udandarao, Vishaal, et autres
Publié: (2025)
SDEC: Semantic Deep Embedded Clustering
par: Rahman, Mohammad Wali Ur, et autres
Publié: (2025)
par: Rahman, Mohammad Wali Ur, et autres
Publié: (2025)
Output Embedding Centering for Stable LLM Pretraining
par: Stollenwerk, Felix, et autres
Publié: (2026)
par: Stollenwerk, Felix, et autres
Publié: (2026)
Group-Level Data Selection for Efficient Pretraining
par: Yu, Zichun, et autres
Publié: (2025)
par: Yu, Zichun, et autres
Publié: (2025)
Improving Clustering on Occupational Text Data through Dimensionality Reduction
par: García, Iago Xabier Vázquez, et autres
Publié: (2025)
par: García, Iago Xabier Vázquez, et autres
Publié: (2025)
TRACE: TRansformer-based Attribution using Contrastive Embeddings in LLMs
par: Wang, Cheng, et autres
Publié: (2024)
par: Wang, Cheng, et autres
Publié: (2024)
Self-Adaptive Reconstruction with Contrastive Learning for Unsupervised Sentence Embeddings
par: Liu, Junlong, et autres
Publié: (2024)
par: Liu, Junlong, et autres
Publié: (2024)
Can GRPO Help LLMs Transcend Their Pretraining Origin?
par: Ni, Kangqi, et autres
Publié: (2025)
par: Ni, Kangqi, et autres
Publié: (2025)
DataDecide: How to Predict Best Pretraining Data with Small Experiments
par: Magnusson, Ian, et autres
Publié: (2025)
par: Magnusson, Ian, et autres
Publié: (2025)
Improving Sentence Embeddings with Automatic Generation of Training Data Using Few-shot Examples
par: Sato, Soma, et autres
Publié: (2024)
par: Sato, Soma, et autres
Publié: (2024)
Scaling Laws for Mixture Pretraining Under Data Constraints
par: Sedova, Anastasiia, et autres
Publié: (2026)
par: Sedova, Anastasiia, et autres
Publié: (2026)
Megalodon: Efficient LLM Pretraining and Inference with Unlimited Context Length
par: Ma, Xuezhe, et autres
Publié: (2024)
par: Ma, Xuezhe, et autres
Publié: (2024)
Federated Learning for ICD Classification with Lightweight Models and Pretrained Embeddings
par: Xu, Binbin, et autres
Publié: (2025)
par: Xu, Binbin, et autres
Publié: (2025)
Pooling Attention: Evaluating Pretrained Transformer Embeddings for Deception Classification
par: Mamtani, Sumit, et autres
Publié: (2025)
par: Mamtani, Sumit, et autres
Publié: (2025)
Repetition Improves Language Model Embeddings
par: Springer, Jacob Mitchell, et autres
Publié: (2024)
par: Springer, Jacob Mitchell, et autres
Publié: (2024)
MATES: Model-Aware Data Selection for Efficient Pretraining with Data Influence Models
par: Yu, Zichun, et autres
Publié: (2024)
par: Yu, Zichun, et autres
Publié: (2024)
Perturb Your Data: Paraphrase-Guided Training Data Watermarking
par: Shetty, Pranav, et autres
Publié: (2025)
par: Shetty, Pranav, et autres
Publié: (2025)
Procedural Pretraining: Warming Up Language Models with Abstract Data
par: Jiang, Liangze, et autres
Publié: (2026)
par: Jiang, Liangze, et autres
Publié: (2026)
Scaling Laws for Forgetting during Finetuning with Pretraining Data Injection
par: Bethune, Louis, et autres
Publié: (2025)
par: Bethune, Louis, et autres
Publié: (2025)
Enhancing Multilingual LLM Pretraining with Model-Based Data Selection
par: Messmer, Bettina, et autres
Publié: (2025)
par: Messmer, Bettina, et autres
Publié: (2025)
Analyzing Similarity Metrics for Data Selection for Language Model Pretraining
par: Sam, Dylan, et autres
Publié: (2025)
par: Sam, Dylan, et autres
Publié: (2025)
How Can We Synthesize High-Quality Pretraining Data? A Systematic Study of Prompt Design, Generator Model, and Source Data
par: Niklaus, Joel, et autres
Publié: (2026)
par: Niklaus, Joel, et autres
Publié: (2026)
Improving Language Plasticity via Pretraining with Active Forgetting
par: Chen, Yihong, et autres
Publié: (2023)
par: Chen, Yihong, et autres
Publié: (2023)
Data Mixing for Large Language Models Pretraining: A Survey and Outlook
par: Chen, Zhuo, et autres
Publié: (2026)
par: Chen, Zhuo, et autres
Publié: (2026)
Temporal Entailment Pretraining for Clinical Language Models over EHR Data
par: Tanaka, Tatsunori, et autres
Publié: (2025)
par: Tanaka, Tatsunori, et autres
Publié: (2025)
HU at SemEval-2024 Task 8A: Can Contrastive Learning Learn Embeddings to Detect Machine-Generated Text?
par: Dipta, Shubhashis Roy, et autres
Publié: (2024)
par: Dipta, Shubhashis Roy, et autres
Publié: (2024)
Luxical: High-Speed Lexical-Dense Text Embeddings
par: DatologyAI, et autres
Publié: (2025)
par: DatologyAI, et autres
Publié: (2025)
Documents similaires
-
Arctic-Embed 2.0: Multilingual Retrieval Without Compromise
par: Yu, Puxuan, et autres
Publié: (2024) -
Improving Pretraining Data Using Perplexity Correlations
par: Thrush, Tristan, et autres
Publié: (2024) -
NoteContrast: Contrastive Language-Diagnostic Pretraining for Medical Text
par: Kailas, Prajwal, et autres
Publié: (2024) -
BeyondWeb: Lessons from Scaling Synthetic Data for Trillion-scale Pretraining
par: DatologyAI, et autres
Publié: (2025) -
Language Models Improve When Pretraining Data Matches Target Tasks
par: Mizrahi, David, et autres
Publié: (2025)