本研究提出了一种高效的迭代数据选择框架LEAD，旨在降低计算开销。LEAD通过准确估计样本效用，消除额外的模型推理需求，从而显著提升模型性能并缩短训练时间。

本研究提出了一种新方法ICon，克服了现有数据选择在指令调优中的局限性。实验结果表明，ICon选择的15%数据训练模型的性能超过使用全数据集，显示出其高效性和有效性。

本研究提出了一种数据选择策略，以提高大型语言模型在代码生成任务中的训练效率和效果。通过优化数据复杂性和Token化过程，显著提升了模型性能并减少了计算资源消耗。

本研究提出MASS框架，旨在解决大型语言模型预训练中的数据选择问题。该框架通过数学推理技能图有效捕捉数学技能及其关系，实验结果显示显著提升了模型的训练效率和效果。

本文探讨了在指令微调阶段选择预训练大型语言模型（LLMs）数据的方法，提出了一种新的多模态评分机制，以提升数据质量和多样性。研究表明，该方法在多个实验中比随机采样和现有方法更有效，显著提高了模型性能。

本研究提出了一种新原则，以优化大型语言模型的数据选择，减少噪声数据的影响。实验表明，仅使用10%的数据集，性能提升3%至8%，同时降低计算成本，展示了数据选择的潜力。

本研究提出PRISM方法，旨在解决多模态大型语言模型在视觉指令调优中的数据冗余和计算成本问题。通过皮尔逊相关分析选择高价值实例，提高数据选择效率，实验证明其在多个基准测试中优于传统方法，整体时间减少30%。

本研究提出QLess方法，旨在提高大语言模型微调中的数据选择效率。通过结合梯度量化与LESS框架，QLess在低内存使用下实现了优良的数据选择性能，实验结果表明其在数据估值质量上显著保留。

本研究提出了一种新方法，解决了传统数据影响估计在现代训练中的有效性问题，特别是数据顺序的敏感性。研究发现，训练初期和后期的数据点对模型影响显著，从而为数据选择提供了新策略。

本研究提出了一种重叠密度的数据中心机制，解决了对弱到强泛化现象的理解不足，显著提升了弱模型的性能，并为数据选择提供了指导。

本研究分析了多语言信息提取的局限性，探讨了语言距离及其度量，并优化了零样本多语言设置中的数据选择，为多语言信息提取系统奠定基础。

本研究提出了一种梯度轨迹追踪（GTP）方法，显著提升了数据选择的效率和效果。实验结果表明，仅使用0.5%的数据量，仍能保证目标任务的性能，表现优异。

在机器学习中，数据选择比模型更重要。数据优化依赖于领域专家的理解，是AI项目成功的关键。数据策划需要领域和机器学习的专业知识，无法自动化或外包，并需深入讨论数据偏见。

本研究提出了一种新方法GraphFilter，将数据集表示为二分图，解决了现有方法只关注质量或多样性的问题。实验表明，GraphFilter在六个基准上优于所有基线方法，提升了模型性能和计算效率。

本研究提出了一种多智能体协作机制，用于提高大型语言模型预训练的数据选择效率。通过将不同数据选择方法作为独立智能体并动态整合信息，该方法显著提升数据效率，加速训练，并在多个基准测试中平均提升性能10.5%。

本研究提出了一种基于庞特里亚金最大化原理的数据选择框架，旨在从大量语料中选择高质量的预训练数据。通过将问题形式化为广义最优控制问题，该框架加速了语言模型的学习，并提升了多项下游任务的表现。