Die vorgeschlagene Methode nutzt generative Diffusionstechniken mit zusätzlichen Minimax-Kriterien, um repräsentative und diverse Ersatzdatensätze effizient zu erzeugen. Dies ermöglicht eine deutlich geringere Rechenzeit im Vergleich zu vorherigen Methoden, bei gleichzeitig überlegener Leistung.
Unser Ansatz RDED ermöglicht eine effiziente Datensatzverdichtung, die sowohl Realismus als auch Diversität der synthetischen Daten gewährleistet.
Durch Ausrichtung der Schwierigkeit der generierten Muster auf die Größe des synthetischen Datensatzes können wir erstmals eine verlustfreie Datensatzverdichtung erreichen.