Newest papers

Training with ML-labeled Data via Stochastic First- and Zeroth-Order Optimization

Maria-Eleni Sfyraki, Jun-Kun Wang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26790 · cited by 0 works (OpenAlex) · open-access PDF

Arabic

إن تدريب نموذج التعلم الآلي (ML) هو عملية تحسين التي تحتاج عادة إلى مجموعة من الأمثلة مع علامات الحقيقة الأساسية في وقت مبكر. الحصول على هذه الحقائق الأساسية عادة ما يتطلب جهداً كبيراً من الناس ويمكن أن يكون مكلفاً. تصنيف العلامات البشرية يصبح مشكلة عندما يكون هناك عدد كبير من نقاط البيانات التي تحتاج إلى تصنيف. لتنفيذ هذه المشكلة العملية، ونحن نبحث عن إعداد تحسين حيث مجموعة واحدة من العلامات لديها علامات الحقيقة الأساسية، في حين أن نقاط البيانات المتبقية تم تصنيفها من قبل متصفح ML، والتي يمكن أن تصنيف علامات غير صحيحة إلى تلك الأماكن. ونحن نقدم طرق تحسين الأساسيين الأول والثاني للتدريب على مجموعة البيانات التي

Machine translation (Meta M2M100); the English original follows.

Abstract

Training a machine learning (ML) model is an optimization process that typically requires a set of examples with ground-truth labels beforehand. Obtaining these ground truths usually requires laborious human effort and can be costly. The scalability of human labeling becomes a concern when there are a large number of data points that need to be labeled. To address this practical issue, we consider an optimization setting where a subset of samples has ground-truth labels, while the remaining data points were labeled by an ML predictor, which could potentially assign incorrect labels to those points. We propose both first-order and zeroth-order stochastic optimization methods for training on datasets consisting of a mix of true-labeled and ML-labeled samples. We further conduct comprehensive empirical studies from training a linear regression model to fine-tuning a large language model (LLM) to showcase the effectiveness of the proposed algorithms for training with ML-labeled data.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Machine learning, Training set, Training (meteorology), Process (computing), Set (abstract data type)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange