DDの一般化と堅牢性を向上させるためのアルゴリズムの導入と効果的な実証を提供する。
大規模なデータセットを圧縮し、高い性能を維持するための新しい手法を紹介する。
既存の方法が失敗する理由を明らかにし、難易度に合わせたパターン生成が効果的であることを示す。
実世界の大規模かつ高解像度のデータセットにおける多様性、リアリズム、効率性を実現するための新しいデータ蒸留パラダイムを提案する。
提案されたプログレッシブな軌道マッチング戦略とオーバーラップ除去により、最先端のパフォーマンスを達成した。
提案されたMinimax拡散技術により、効率的なデータセット蒸留が実現され、計算リソースの削減と優れた性能が達成されます。
データセット蒸留では、合成データセットの多様性を高めることが重要である。提案手法の動的重み調整は、合成データの多様性を高め、効率的なデータセット蒸留を実現する。
データセット蒸留(DD)における、異なるニューラルネットワークアーキテクチャ間での転移学習の課題を克服するため、メタ特徴と異種特徴を分離し、アーキテクチャに依存しない損失関数を用いることで、多様なNNアーキテクチャ間で汎用性の高い蒸留データセットを生成するMetaDD手法を提案する。
大規模なWi-Fiデータセットを、元のデータセットに近い性能を維持しながら、より小さなデータセットに圧縮する新しい手法「WiDistill」を提案する。
大規模データセットを効率的に蒸留するための新しいフレームワークであるTeddyは、テーラー近似マッチングを用いて従来のbi-level最適化問題を簡素化し、計算コストを大幅に削減しながらも、既存手法を凌駕する性能を実現します。