Este artículo presenta un algoritmo para seleccionar ejemplos de demostración para un conjunto de consultas en aprendizaje contextual. Abordamos cómo seleccionar k ejemplos de un conjunto de n ejemplos para usarlos como condiciones para la inferencia posterior. A diferencia de los métodos existentes basados en la similitud de incrustación de tokens, este artículo propone un enfoque novedoso que utiliza el gradiente de salidas en el espacio de incrustación de entrada. Estimamos las salidas del modelo mediante una aproximación de primer orden utilizando el gradiente y aplicamos esta estimación a múltiples subconjuntos seleccionados aleatoriamente. Calculamos una puntuación de influencia para cada demostración y seleccionamos los k ejemplos más relevantes. Dado que las salidas y los gradientes del modelo solo necesitan precalcularse una vez, el algoritmo opera en tiempo lineal con respecto al tamaño del modelo y del conjunto de entrenamiento. Experimentos exhaustivos en diversos modelos y conjuntos de datos demuestran su eficiencia. El procedimiento de estimación de gradiente aproxima la inferencia completa con menos del 1% de error en seis conjuntos de datos. Esto permite una selección de subconjuntos hasta 37,7 veces más rápida que los métodos existentes y produce una mejora promedio del 11% sobre los métodos de selección basados en incrustación de entrada existentes.
