e-means：更快的 k-means 變體，以及更便宜聚類的傑文斯悖論
熱點事件持續更新
e-means：更快的 k-means 變體，以及更便宜聚類的傑文斯悖論
1 篇報導1 個報導來源17 小時前更新
先了解這件事
AI 綜述
一種名為 e-means 的新 k-means 變體，在每次迭代中利用小批次與指數移動平均持續更新質心，而非慣用的全批次更新。作者表示，在將 100 億個 DINO 嵌入聚類為約 1670 萬個叢集時，它僅需 2.5 個 epoch 就達到全批次 k-means 的測試損失，而非 25 個 epoch。 該方法保持相同的目標函數與凸最近質心幾何，並透過擬合的縮放定律自動設定批次大小與更新率。作者主張，更便宜的聚類執行會讓人們嘗試更多 k 值，而非降低運算成本。
AI 依報導生成 · 15 小時前更新
最新進展11月13日 06:43
e-means：更快的 k-means 變體，以及更便宜聚類的傑文斯悖論報導時間線
沿著報導，了解事件的不同側面。
11月13日
- Hacker News · AIe-means：更快的 k-means 變體，以及更便宜聚類的傑文斯悖論
e-means 是一種新的 k-means 變體，它在每次遍歷中使用小批次和指數移動平均持續更新質心，在將 100 億個 DINO 嵌入聚類為約 1670 萬個簇時，僅需 2.5 個 epoch 即可達到全批次 k-means 的測試損失，而非 25 個 epoch。它保持相同的目標函數和凸最近質心幾何結構，並通過擬合縮放定律自動設定批次大小和更新率。作者認為，更便宜的運行意味著嘗試更多 k 值，而不是降低計算成本。
本事件熱度走勢
還沒有足夠的連續觀測資料，暫不繪製趨勢。