在 PreTrain/MidTrain-Data 的数据配比系列研究中,往往会关心如下的问题:

  • Data Sampling Selection: 如何确定 domain-wise/sample-wise 的数据配比,进而控制不同来源数据的上采样/下采样比例?
  • Data Filtering: 如何清洗脏数据? 如何针对数据做数据去重等等策略?
  • Data Scoring: 通过打分的方式获得对训练数据质量的反馈,如何训练一个好的打分模型?

Paper List: