motivation

现存的 data selection 效率不高的主要原因是模型过大，获取数据表征进行数据选择效果并不高（例如大模型进行反向传播本身就比较耗时，想要靠梯度进行数据选择效率是很低的，虽然有了用随最后一个隐藏层的梯度代替整体的梯度的，但是最后一个隐藏层的梯度的代表性尚不可知）；

因此可以考虑训练一个较小的模型，用这个较小的模型计算样本表征，最后进行数据选择。

个人感觉不太靠谱，因为原模型的能力随着训练不停变化，适应性的样本选择要求我们不断更新 coreset，因此 proxy 模型也得不断训练适应原模型的能力，效率真的有提高吗？

analysis

SVP 应用在 active learning 中

如上图可见，与传统方法相比，AL 每次的数据选择都在 proxy model 上进行，最后把挑选好的数据放在原模型上训练。