Core Concepts
「一般化マッチング」を用いたデータ縮約手法の効果的な提案とその性能向上について。
Abstract
この記事は、SRe2Lによる軽量な「ローカルマッチング-グローバル」マッチングが、完全な224×224 ImageNet-1kに関する包括的情報を持つ蒸留されたデータセットを作成することに成功したことを示しています。しかし、この単方向アプローチは特定のバックボーン、レイヤー、および統計に制限されており、蒸留されたデータセットの汎化能力の向上が制限されています。本稿では、「一般化マッチング」という視点を提案し、豊富で多様な「ローカルマッチング-グローバル」マッチングが単一のものよりも正確で効果的であり、豊かな情報と優れた汎化能力を持つ蒸留されたデータセットを作成できる可能性があることを示唆しています。
G-VBSMは、「一般化マッチング」を実現するために設計されており、データ密度を確保しながら様々なバックボーン、レイヤー、統計に基づいてマッチングを行います。CIFAR-10、CIFAR-100、Tiny-ImageNet、および完全な224×224 ImageNet-1kで行われた実験では、G-VBSMが小規模および大規模データセットの両方で強力なパフォーマンスを発揮する最初のアルゴリズムであることが示されました。
Stats
ImageNet-1k Top-1 Acc. 31.4%
CIFAR-100 Top Accuracy 38.7%
Tiny-ImageNet Top Accuracy 47.6%
Quotes
"豊富で多様な「ローカルマッチング-グローバル」マッチングは単一のものよりも正確かつ合理的な監督を提供し、「蒸留されたデータセット」の汎化能力をさらに高める可能性がある。"
"G-VBSMは、「一般化バックボーンおよび統計的マッチング」という新しい視点から提案されました。"
"G-VBSMは小規模および大規模データセットの両方で強力なパフォーマンスを発揮します。"