When Sample Selection Bias Precipitates Model Collapse

En 3 lignesL'entraînement récursif sur données synthétiques risque l'effondrement du modèle : la sélection de données basée sur des références locales fragmentées élimine les modes de queue globalement pertinents. Les auteurs prouvent théoriquement que cette sélection en silos accélère l'effondrement et proposent des références proxy Wasserstein multi-silos sans partage de données brutes.

Résumé généré par Claude — vérifié par l'humain