[[441258]]

本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

在煉丹過程中，為了減少訓練所需資源，MLer有時會將大型復雜的大模型“蒸餾”為較小的模型，同時還要保證與壓縮前相當?shù)慕Y果。

這就是知識蒸餾，一種模型壓縮/訓練方法。

不過隨著技術發(fā)展，大家也逐漸將蒸餾的對象擴展到了數(shù)據(jù)集上。

這不，谷歌最近就提出了兩種新的數(shù)據(jù)集蒸餾方法，在推特上引起了不小反響，熱度超過600：

像這樣， 將50000張標注圖像的CIFAR-10數(shù)據(jù)集“蒸餾”縮小至1/5000大小，只基于10張合成數(shù)據(jù)點進行訓練，模型的準確率仍可近似51%：

而如果“蒸餾數(shù)據(jù)集”由500張圖像組成（占原數(shù)據(jù)集1%大?。?，其準確率可以達到80%。

兩種數(shù)據(jù)集蒸餾方法分別來自于ICLR 2021和NeurIPS 2021上的兩篇論文。

通過兩階段循環(huán)進行優(yōu)化

那么要如何才能“蒸餾”一個數(shù)據(jù)集呢？

其實，這相當于一個兩階段的優(yōu)化過程：

1. “內部循環(huán)”，用于在學習數(shù)據(jù)上訓練模型
2. “外部循環(huán)”，用于優(yōu)化學習數(shù)據(jù)在自然數(shù)據(jù)上的性能

通過內部循環(huán)可以得到一個核嶺回歸（KRR）函數(shù)，然后再外部循環(huán)中計算原始圖像標注與核嶺回歸函數(shù)預測標注之間的均方誤差（MSE）。

這時，谷歌提出的兩種方法就分別有了不同的處理路線：

一、標注解釋 （LS）

這種方法直接解釋最小化KRR損失函數(shù)的支持標注集（support labels），并為每個支持圖像生成一個獨特的密集標注向量。

二、核歸納點 （KIP）

這種方法通過基于梯度的方法將KRR損失函數(shù)最小化，以此來優(yōu)化圖像和可能生成的數(shù)據(jù)。

以MNIST為例，下圖中的上、中、下三張圖分別為原始的MNIST數(shù)據(jù)集、固定標注的KIP蒸餾圖像、優(yōu)化標注的KIP蒸餾圖像。

可以看出，在于對數(shù)據(jù)集進行蒸餾時，優(yōu)化標注的效果最好：

對比已有的DC（Dataset Condensation）方法和DSP（Dataset Condensation with Differentiable Siamese Augmentation）方法可以看到：

如果使用每類別只有一張圖像，也就是最后只有10張圖像的蒸餾數(shù)據(jù)集，KIP方法的測試集準確率整體高于DC和DSP方法。

在CIFAR-10分類任務中，LS也優(yōu)于先前的方法，KIP甚至可以達到翻倍的效果。

對此，谷歌表示：

這證明了在某些情況下，我們的縮小100倍的“蒸餾數(shù)據(jù)集”要比原始數(shù)據(jù)集更好。

兩位華人作者

整個項目由蕭樂超（Lechao Xiao）、Zhourong Chen、Roman Novak三人合作完成。

其中蕭樂超為LS方法的論文作者之一，本科畢業(yè)于浙江大學的應用數(shù)學系，在美國伊利諾大學厄巴納-香檳分校（UIUC）取得博士學位，現(xiàn)在是谷歌大腦團隊的一名科學家。

他的主要研究方向是數(shù)學、機器學習和深度學習。

另一位華人科學家Zhourong Chen則是KIP方法的論文作者之一，本科畢業(yè)于中山大學，并在香港科技大學取得了計算機科學與工程系的博士學位，現(xiàn)是Google Research的一名軟件工程師。

論文：
[1]https://openreview.net/forum?id=l-PrrQrK0QR
[2]https://openreview.net/forum?id=hXWPpJedrVP

開源地址：
https://github.com/google-research/google-research/tree/master/kip