一個項目幫你了解數(shù)據(jù)集蒸餾Dataset Distillation
數(shù)據(jù)集蒸餾研究簡介
數(shù)據(jù)集蒸餾是合成小數(shù)據(jù)集的任務，以便在其上訓練的模型在原始大數(shù)據(jù)集上實現(xiàn)高性能。數(shù)據(jù)集蒸餾算法將要蒸餾的大型真實數(shù)據(jù)集（訓練集）作為輸入，并輸出一個小的合成蒸餾數(shù)據(jù)集，該數(shù)據(jù)集通過在單獨的真實數(shù)據(jù)集（驗證 / 測試集）上在該蒸餾數(shù)據(jù)集上訓練的測試模型進行評估。
數(shù)據(jù)集蒸餾問題設定
這項任務最初是在 Dr. Tongzhou Wang 2018 年的論文 Dataset Distillation [1] 中介紹的，改論文同時提出了通過優(yōu)化步驟使用反向傳播的算法。由于最初算法的局限性，當時僅僅可以在一些簡單數(shù)據(jù)集如 MNIST，CIFAR-10 上進行蒸餾操作且準確率比較低。這也是最初的 Dataset Distillation 沒有被一些 AI 頂會 (NeurIPS/ICCV/ICLR) 收錄的原因。
最初的數(shù)據(jù)集蒸餾效果
一個好的小型蒸餾數(shù)據(jù)集不僅對數(shù)據(jù)集理解有用，而且具有各種應用（例如，隱私保護，持續(xù)學習，神經(jīng)架構(gòu)搜索等）。其中，Dr. Guang Li 最先將數(shù)據(jù)集蒸餾應用于醫(yī)學圖像領域，并對其在隱私保護方面的特性做了探索，該研究通過將十幾萬張胃部 X 光圖像蒸餾到只有 3 張并達到了很好的胃炎檢測效果，研究成果發(fā)表于 ICIP 2020 [2].
匿名化的胃部 X 光蒸餾圖像
2021 年后，數(shù)據(jù)集蒸餾在研究界、許多研究所和實驗室中越來越受到關注?，F(xiàn)在每年都有更多的論文發(fā)表。這些精彩的研究一直在不斷改進數(shù)據(jù)集蒸餾并探索其各種變體和應用。其中最具有突破性的研究之一是由 Dr. Bo Zhao 在 ICLR 2021 中提出的 Dataset Condensation，該論文首次提出通過梯度匹配策略來蒸餾數(shù)據(jù)集并大大提升了測試準確率以及泛化能力 [3].
基于梯度匹配的數(shù)據(jù)集縮合算法
最近由 CMU，MIT，UC Berkeley 的學者們發(fā)表的一篇論文首次實現(xiàn)了對 ImageNet 的蒸餾并又一次大幅提升了蒸餾數(shù)據(jù)集的測試效果， 該成果發(fā)表于 CVPR 2022 [4]。
ImageNet 上的蒸餾效果
對于目前數(shù)據(jù)集蒸餾領域的巨大進展 Dr. Tongzhou Wang 表示非常驚喜并在推特上對 Awesome-Dataset-Distillation 項目進行了介紹。
Dr. Tongzhou Wang 在推特上對數(shù)據(jù)集蒸餾項目的介紹
在 Awesome-Dataset-Distillation 項目完成后，短短一個月的時間在 GitHub 上已經(jīng)獲得了 300Star，受到了國內(nèi)外很多知名學者的關注。此外，上個月被外媒選為八月份最受關注的 AI 研究之一。
- 數(shù)據(jù)集蒸餾的項目地址：?https://github.com/Guang000/Awesome-Dataset-Distillation?
- Dr. Guang Li (Hokkaido University) ：?https://www-lmd.ist.hokudai.ac.jp/member/guang-li/?
- Dr. Bo Zhao (The University of Edinburgh):?https://bozhaonanjing.wixsite.com/mysite?
- Dr. Tongzhou Wang (MIT):??https://www.tongzhouwang.info/?
?[1] Wang, Tongzhou, et al. "Dataset distillation." arXiv preprint arXiv:1811.10959.
[2] Li, Guang, et al. "Soft-label anonymous gastric x-ray image distillation." ICIP 2020.
[3] Zhao, Bo, et al. "Dataset Condensation with Gradient Matching." ICLR 2021.
[4] Cazenavette, George, et al. "Dataset distillation by matching training trajectories." CVPR 2022.
