要約
コアセットは、学習アルゴリズムが全体の元データで訓練された場合と同様の性能を達成できる訓練データの部分集合である。コアセットの探索は、アルゴリズムの訓練速度を向上させ、人間が結果を理解するのに役立つため、現在も活発に研究されている分野である。先行研究に基づいて、新たな手法が提案される：候補となるコアセットは反復的に最適化され、サンプルが追加されたり削除されたりする。訓練データのサイズを制限することと結果の品質との間に明らかなトレードオフがあるため、多目的進化アルゴリズムが使用されており、集合内の点数と分類誤差を同時に最小化する。非自明なベンチマークでの実験結果は、提案手法が最先端のコアセット探索技術よりも低い誤差と未見データに対するより優れた汎化能力を持つ分類器を得られることが示されている。注：「非自明」（non-trivial）という表現は日本語では一般的に使用されますが、「自明」（trivial）とは対義語として使われます。この文脈では「単純ではない」「複雑な」といった意味合いになります。