PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2509.10367v2cs.LG

불일치 기반 데이터셋 응축 관점

A Discrepancy-Based Perspective on Dataset Condensation

유한 개의 원소로 이루어진 데이터셋 $\mathcal{T} = \{\mathbf{x}_i\}_{i = 1}^N$이 주어졌을 때, 데이터셋 응축(DC)의 목표는 ($M \ll N$)보다 훨씬 작은 합성 데이터셋 $\mathcal{S} = \{\tilde{\mathbf{x}}_j\}_{j = 1}^M$을 구성하여, $\mathcal{S}$에 대해 처음부터 학습한 모델이 $\mathcal{T}$에 대해 학습한 모델과 동등하거나 더 우수한 일반화 성능을 달성하도록 하는 것이다. DC의 최근 발전은 $\mathcal{T}$가 나타내는 데이터 분포를 축소된 점 집합으로 근사하는 문제와 밀접한 연관이 있음을 보여준다. 본 연구에서는 기존 DC 방법을 포괄하는 통합 프레임워크를 제시하고, DC의 과제 특정적 개념을 불일치(discrepancy) 개념을 이용한 보다 일반적이고 형식적인 정의로 확장한다. 불일치는 서로 다른 체제(regime)에서 확률 분포 간 거리를 정량화한다. 이 프레임워크는 DC의 목표를 일반화를 넘어 넓혀, 견고성(robustness), 프라이버시(privacy), 그 밖의 바람직한 성질과 같은 추가 목표를 수용한다.