यह शोधपत्र GRAFT प्रस्तुत करता है, जो एक मापनीय प्रशिक्षण-समय उपसमूह चयन विधि है जो बड़े डेटासेट पर आधुनिक तंत्रिका नेटवर्क के प्रशिक्षण की उच्च गणनात्मक और पर्यावरणीय लागतों को संबोधित करती है। GRAFT प्रत्येक बैच के लिए निम्न-आयामी फ़ीचर निरूपण निकालता है, बैच के मुख्य उप-स्थान को समाहित करने वाले एक छोटे, विविध उपसमूह का चयन करने के लिए फ़ास्ट मैक्सवॉल सैंपलर का उपयोग करता है, और एक ग्रेडिएंट सन्निकटन मानदंड का उपयोग करके उपसमूह के आकार को गतिशील रूप से समायोजित करता है। निम्न-आयामी उप-स्थान में संचालन करके और पूरे बैच के बजाय सावधानीपूर्वक चयनित उदाहरणों पर प्रशिक्षण देकर, GRAFT प्रशिक्षण प्रक्रिया को बनाए रखते हुए वॉल-क्लॉक समय, ऊर्जा खपत और कार्बन डाइऑक्साइड उत्सर्जन को कम करता है। कई बेंचमार्क में, GRAFT सटीकता और दक्षता दोनों में हाल के चयन मानदंडों से बेहतर प्रदर्शन करता है या उनसे मेल खाता है, जिससे सटीकता, दक्षता और उत्सर्जन के बीच एक अनुकूल समझौता होता है।
