本研究提出了一种新的核心集选择度量——损失轨迹相关性（LTC），有效识别关键训练样本，从而提升深度学习模型在实时或资源受限环境中的可扩展性与效率。

本研究提出了一种新颖的无学习率随机梯度优化方法Hot DoG，解决了核心集构建中的学习率敏感性问题。实验结果表明，Hot DoG在后验近似质量上优于其他方法，效果与最佳调优的ADAM相当。

本文研究了一种在公平性和分区约束下的多样性最大化算法，旨在从多个组中选择点以最大化整体多样性。提出了两种多样性度量方法，并展示了改进的核心集构建算法。实验结果表明，该方法在处理消息摘要时显著加速，同时保持了多样性。