Mar, 2024

通过双域匹配实现时间序列分类的数据集压缩

PDF
TL;DR提出了一种名为 CondTSC 的新框架，通过在时间和频率领域匹配代理目标，结合多视角数据增强、双域训练和双代理目标，以增强时间序列分类数据压缩过程的效果，并证明其优于其他基线模型，能够学习到符合原始数据分布并表现出理想特性的压缩合成数据集。
发现论文，激发创造
  • 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

  • CondTSF：时间序列预测数据集简化的一行插件

    基于对时间序列预测数据集的理论分析，我们提出了一种针对时间序列预测的数据集精简方法 CondTSF，通过将 CondTSF 插入到先前的数据集精简方法中，减小了使用全数据集和使用合成数据集训练的模型之间的预测差距，从而提高了性能。我们在八个常用时间序列数据集上进行了大量实验，CondTSF 在所有数据集上持续改进了所有先前的数据集精简方法的性能，尤其是在精简比例低的情况下。

    Jun, 2024

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • DANCE: 双视图数据集收缩的双视图分布对齐

    从内部和外部视角揭示了当前基于分布匹配的方法在持久化训练和分布偏移方面的局限性，提出了一种新的基于双视图分布对齐的数据集简化方法 (DANCE)，通过利用多个预训练模型来改进分布匹配，从而取得了状态的结果，并在保持与原始分布匹配相当的效率下实现了流行的性能。

    Jun, 2024

  • 高效深度哈希检索：通过特征嵌入匹配压缩数据

    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。

    May, 2023