关系表示蒸馏
本文提出了新型的知识蒸馏损失函数,其通过保留教师神经网络中相似输入的激活模式特征,指导学生神经网络的训练,使其在保留各自的表征空间中,能够准确地保持输入的相似度。实验结果表明了该方法的潜力。
Jul, 2019
通过对比学习的方式训练学生网络来实现更好的知识迁移,相比知识蒸馏等传统方法在单模型压缩、集成蒸馏和跨模态迁移等多种任务中表现更优,甚至在与知识蒸馏相结合时可以超越教师网络,这一方法在许多知识迁移任务中达到了最新的最佳表现。
Oct, 2019
本研究提出一种基于对比关系的知识蒸馏方法CRCD,通过建立标定点并计算学生和教师关系的差异,有效地将结构性知识从教师模型转移到学生模型中,从而同时蒸馏出样本表示和样本之间的关系。实验证明了该方法的有效性。
Mar, 2021
本文介绍了一种名为 DIST 的方法,它可以更好地从一个更强的教师模型中进行知识蒸馏,通过保留教师和学生之间的预测关系,提出了基于相关损失的方法,从而实现了最先进的性能。
May, 2022
在本研究中,我们提出了一种将知识蒸馏应用于迁移学习的机器学习架构,称为TL + KD,并对它与传统TL的图像分类效果进行了量化和定性比较。结果表明,在微调过程中,使用较大的教师网络提供指导和知识可以改善学生网络以实现更好的验证性能,同时研究了不同场景下的性能表现。
Oct, 2022
本文提出了一种基于教师模型稍加简化后的知识表示的学生友好型知识蒸馏方法(SKD),其包含软化处理和学习简化器,通过联合训练确保知识简化过程与学生模型的训练目标相关,提高了训练效率和准确性。实验结果表明,该方法在CIFAR-100和ImageNet数据集上取得了最优性能。
May, 2023
提出了一种新方法来提高知识蒸馏效率,同时不需要资源密集的教师模型。通过使用紧凑的自动编码器提取特征并计算不同类别之间的相似度得分,然后对这些相似度得分应用softmax函数以获得软概率向量,这个向量在学生模型的训练中作为有价值的指导。在各种数据集上进行的广泛实验表明,与依赖大型教师模型的传统知识蒸馏方法相比,我们的方法在资源效率方面具有更高的优势,并在模型准确性方面实现了相似甚至更高的性能。
Apr, 2024
知识蒸馏技术中,我们引入了不变一致性蒸馏法(ICD),该方法结合了对比学习和明确的不变性惩罚,以确保学生模型的表示与教师一致,并在CIFAR-100数据集上证明其优于传统知识蒸馏技术和13种最先进方法,在一些情况下,学生模型的准确性甚至超过教师模型。
Jul, 2024