May, 2023

高效深度哈希检索：通过特征嵌入匹配压缩数据

PDF
TL;DR本文提出了一种有效的压缩框架，该框架通过匹配合成集和真实集之间的特征嵌入来增强特征的多样性，并结合早期增强模型和多形态的策略，显著提高了性能和效率，比现有的基准方法都要优越。
deep hashing retrievaldataset distillationfeature-embeddingaugmented modelsefficiency
发现论文，激发创造
  • 数据集压缩与分布匹配

    本研究提出了一种简单而有效的方法，通过在多个采样嵌入空间中匹配合成图像和原始训练图像的特征分布，综合减少了合成成本，同时实现了可比较或更好的性能，具有在实际大型数据集中应用以及在连续学习和神经结构搜索中表现出有希望的实际好处的潜力。

    Oct, 2021

  • 改进的分布匹配用于数据集浓缩

    通过分布匹配的方法，我们提出了一种新的数据集精简方法，有效地减少了计算资源的使用，使得数据集精简能够应用于更大的数据集和模型。

    Jul, 2023

  • 揭示数据集精简的设计空间

    通过设计一个综合的框架，实现了软分类感知匹配和调整学习速率的策略，从而在小型和大型数据集压缩上建立了基准，显著提高了模型训练效率。

    Apr, 2024

  • 使用梯度匹配的数据集压缩

    本文提出了一种名为数据集精简的数据高效学习方法，该方法从大量数据中学习到一组信息丰富的合成样本来训练深度神经网络，并将此目标表述为深度神经网络权重梯度匹配问题，此技术在计算机视觉基准测试中表现出较高性能，并且在有限的内存和计算宝贵的情况下实现了不俗的成绩。

    Jun, 2020

  • 免费提供隐私：数据集压缩如何帮助隐私？

    本文首次发现，原本用于提高训练效率的数据集压缩技术 (dataset condensation, DC)，在数据隐私保护方面也是替代传统数据生成器的更好解决方案。我们提出了在 DC 中提供隐私保护，并理论上证明 DC 合成的 $m$ 个样本在参数分布上对网络的影响有限 ($O (m/n)$)，同时通过试验证明 DCsynthesized 数据的可视隐私和成员隐私。本文的创新之处在于：通过数据压缩实现了数据高效性与隐私保护的双赢。

    Jun, 2022

  • DC-BENCH：数据集压缩基准测试

    本研究提供了首个大规模的 Dataset Condensation 标准化基准，通过其生成的数据集全面反映了浓缩方法的通用性和有效性，并报告了许多有见地的发现，为未来的发展开辟了新的可能性。

    Jul, 2022

  • 对比信号的数据集压缩

    本文提出了一种使用对比信号的数据集精简方法，被称为 Dataset Condensation with Contrastive signals (DCC)，通过修改损失函数使得 DC 方法能够有效捕捉类之间的差异，实验结果表明 DCC 方法在细粒度图像分类和不断学习任务上表现出了优越性。

    Feb, 2022

  • 加速超参数搜索的数据集压缩

    本文提出了一种针对超参数搜索的新型超参数校准数据集压缩（HCDC）算法，通过匹配通过隐式微分和高效逆 Hessian 逼近计算的超参数梯度来生成合成的验证数据集，实验证明该框架有效地维持了模型的验证性能排名，并加速了基于图像和图形的超参数 / 架构搜索任务。

    May, 2024

  • 通过有效的合成数据参数化压缩数据集

    通过数据规则特征，提出一种生成多种合成数据的紧凑型训练数据的新型压缩框架，并开发出有效的优化技术，提高了训练数据信息的压缩质量。

    May, 2022

  • 利用层次特征共享优化数据集压缩

    本篇研究提出了一种新的数据参数化架构，分层记忆网络（Hierarchical Memory Network），用于在图像分类中对数据进行压缩和信息共享，实验结果表明该方法在多个公共数据集上超过了当前的基线方法，且在 GPU 内存占用较少的情况下仍能取得良好的性能。

    Oct, 2023