Wenn Sample Selection Bias zu Model Collapse führt

arXiv:2606.13732v1 Ankündigungstyp: neu Abstract: Die Verbreitung von rekursivem Training auf synthetischen Daten kann Datenmangel lindern, riskiert aber Model Collapse, bei dem wiederholtes Training zu Distributionsschwänzen führt und Outputs homogenisiert. Datenauswahl wird weit verbreitet als Mittel betrachtet, doch dessen Zuverlässigkeit