論文の概要: Knowledge Distillation with Representative Teacher Keys Based on
Attention Mechanism for Image Classification Model Compression
- arxiv url: http://arxiv.org/abs/2206.12788v1
- Date: Sun, 26 Jun 2022 05:08:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 12:48:23.522460
- Title: Knowledge Distillation with Representative Teacher Keys Based on
Attention Mechanism for Image Classification Model Compression
- Title（参考訳）: 画像分類モデル圧縮のための注意機構に基づく代表教師鍵による知識蒸留
- Authors: Jun-Teng Yang, Sheng-Che Kao and Scott C.-H. Huang
- Abstract要約: 知識蒸留(KD)はモデルパラメータを減らすためのモデル圧縮の効果的な方法の1つとして認識されている。
注意機構にヒントを得て,代表教師キー(RTK)と呼ばれる新しいKD手法を提案する。
提案するRTKは,最先端の注意に基づくKD手法の分類精度を効果的に向上させることができる。
- 参考スコア（独自算出の注目度）: 1.503974529275767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the improvement of AI chips (e.g., GPU, TPU, and NPU) and the fast
development of internet of things (IoTs), some powerful deep neural networks
(DNNs) are usually composed of millions or even hundreds of millions of
parameters, which may not be suitable to be directly deployed on low
computation and low capacity units (e.g., edge devices). Recently, knowledge
distillation (KD) has been recognized as one of the effective method of model
compression to decrease the model parameters. The main concept of KD is to
extract useful information from the feature maps of a large model (i.e.,
teacher model) as a reference to successfully train a small model (i.e.,
student model) which model size is much smaller than the teacher one. Although
many KD-based methods have been proposed to utilize the information from the
feature maps of intermediate layers in teacher model, however, most of them did
not consider the similarity of feature maps between teacher model and student
model, which may let student model learn useless information. Inspired by
attention mechanism, we propose a novel KD method called representative teacher
key (RTK) that not only consider the similarity of feature maps but also filter
out the useless information to improve the performance of the target student
model. In the experiments, we validate our proposed method with several
backbone networks (e.g., ResNet and WideResNet) and datasets (e.g., CIFAR10,
CIFAR100, SVHN, and CINIC10). The results show that our proposed RTK can
effectively improve the classification accuracy of the state-of-the-art
attention-based KD method.
- Abstract（参考訳）: aiチップ(gpu、tpu、npuなど)の改善とiot(internet of things)の急速な発展により、強力なディープニューラルネットワーク(dnn)は、通常は数百万ないし数億のパラメータで構成されており、低計算能力や低容量ユニット(エッジデバイスなど)に直接デプロイするには適さない。
近年,知識蒸留(KD)がモデル圧縮の有効な方法の1つとして認識され,モデルパラメータが減少している。
KDの主な概念は、大きなモデル(例えば教師モデル)の特徴マップから有用な情報を抽出し、モデルサイズが教師モデルよりもはるかに小さい小さなモデル(すなわち学生モデル)をうまく訓練することである。
教師モデルにおける中間層の特徴マップ情報を利用するkdベースの手法は数多く提案されているが,そのほとんどは教師モデルと生徒モデル間の特徴マップの類似性を考慮せず,学生モデルが役に立たない情報を学ぶことが可能であった。
注意機構に着想を得て,特徴マップの類似性だけでなく,目的とする学生モデルの性能向上のために無駄な情報をフィルタリングする,代表教師キー(RTK)と呼ばれる新しいKD手法を提案する。
実験では,提案手法を複数のバックボーンネットワーク(ResNetやWideResNetなど)とデータセット(CIFAR10,CIFAR100,SVHN,CINIC10など)で検証した。
その結果,提案したRTKは,最先端の注意に基づくKD手法の分類精度を効果的に向上できることがわかった。
関連論文リスト
- Exploring and Enhancing the Transfer of Distribution in Knowledge Distillation for Autoregressive Language Models [62.5501109475725]
知識蒸留(KD)は、より小さな学生モデルを模倣するように訓練することで、大きな教師モデルを圧縮する技術である。
本稿では、教師ネットワークが小さなオンラインモジュールを統合し、学生モデルと同時学習するオンライン知識蒸留(OKD)について紹介する。
OKDは、様々なモデルアーキテクチャやサイズにおけるリードメソッドのパフォーマンスを達成または超え、トレーニング時間を最大4倍に短縮する。
論文 参考訳（メタデータ） (2024-09-19T07:05:26Z) - Robust Knowledge Distillation Based on Feature Variance Against Backdoored Teacher Model [13.367731896112861]
知識蒸留(KD)は、エッジ展開において広く使われている圧縮技術の一つである。
本稿では,特徴分散に基づいてバックドアを緩和しながらモデルを圧縮するロバストKDを提案する。
論文 参考訳（メタデータ） (2024-06-01T11:25:03Z) - Revisiting Knowledge Distillation for Autoregressive Language Models [88.80146574509195]
知識蒸留(KD)を改善するための簡易かつ効果的な適応型教育法(ATKD)を提案する。
ATKDの中核は、ロート学習を減らし、教育をより多様で柔軟なものにすることだ。
8つのLMタスクの実験は、ATKDの助けを借りて、様々なベースラインのKD手法が一貫した、重要なパフォーマンス向上を達成することを示した。
論文 参考訳（メタデータ） (2024-02-19T07:01:10Z) - Comparative Knowledge Distillation [102.35425896967791]
伝統的な知識蒸留(KD)は、頻繁な推論のために教師モデルに容易にアクセスできることを前提としている。
本稿では,教師モデルにおけるサンプルの解釈の微妙な違いを学生モデルに理解させるための比較知識蒸留(CKD)を提案する。
CKDは、アートデータ拡張とKDテクニックの状態を一貫して上回る。
論文 参考訳（メタデータ） (2023-11-03T21:55:33Z) - Lightweight Self-Knowledge Distillation with Multi-source Information
Fusion [3.107478665474057]
知識蒸留(KD)は、ニューラルネットワークモデル間で知識を伝達する強力な技術である。
マルチソース情報を利用してより情報のある教師を構築する軽量なSKDフレームワークを提案する。
提案するDRG, DSR, およびそれらの組み合わせの性能を, 各種データセットおよびモデルに関する総合的な実験により検証する。
論文 参考訳（メタデータ） (2023-05-16T05:46:31Z) - Directed Acyclic Graph Factorization Machines for CTR Prediction via
Knowledge Distillation [65.62538699160085]
本稿では,既存の複雑な相互作用モデルから,知識蒸留によるCTR予測のための高次特徴相互作用を学習するための非巡回グラフファクトリゼーションマシン(KD-DAGFM)を提案する。
KD-DAGFMは、オンラインとオフラインの両方の実験において、最先端のFLOPの21.5%未満で最高の性能を達成する。
論文 参考訳（メタデータ） (2022-11-21T03:09:42Z) - CES-KD: Curriculum-based Expert Selection for Guided Knowledge
Distillation [4.182345120164705]
本稿では,知識蒸留のためのカリキュラムエキスパート選択法(CES-KD)を提案する。
CES-KDは、階層化された教育カリキュラムを使用して学生ネットワークを徐々にガイドすべきという仮説に基づいている。
具体的には、画像の分類の難しさに起因したカリキュラムに基づいて、入力画像ごとに1人の教師を選択する段階的なTAベースのKD手法を提案する。
論文 参考訳（メタデータ） (2022-09-15T21:02:57Z) - Reducing Capacity Gap in Knowledge Distillation with Review Mechanism
for Crowd Counting [16.65360204274379]
本稿では,KDモデルに基づく新たなレビュー機構について紹介する。
ReviewKDの有効性は、6つのベンチマークデータセットに対する一連の実験によって実証されている。
また,提案したレビュー機構をプラグイン・アンド・プレイモジュールとして使用することにより,ある種の大群カウントモデルの性能をさらに向上させることができることを示す。
論文 参考訳（メタデータ） (2022-06-11T09:11:42Z) - How and When Adversarial Robustness Transfers in Knowledge Distillation? [137.11016173468457]
本稿では,教師モデルから学生モデルへの知識蒸留(KD)における対向ロバスト性の移行について検討する。
我々は,標準的なKDトレーニングが対向的堅牢性を維持するのに失敗することを示すとともに,KDIGA(入力勾配アライメント)を併用したKDを提案する。
特定の前提の下では、提案したKDIGAを用いた学生モデルは、少なくとも教師モデルと同じ確証された堅牢性を達成することができることを証明している。
論文 参考訳（メタデータ） (2021-10-22T21:30:53Z) - Boosting Light-Weight Depth Estimation Via Knowledge Distillation [21.93879961636064]
本稿では,最小限の計算資源を用いて深度マップを正確に推定できる軽量ネットワークを提案する。
モデル複雑性を最大に低減するコンパクトなモデルアーキテクチャを設計することで、これを実現する。
本手法は, パラメータの1%しか使用せず, 最先端手法に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2021-05-13T08:42:42Z) - Heterogeneous Knowledge Distillation using Information Flow Modeling [82.83891707250926]
教師モデルの様々な層を流れる情報の流れをモデル化して機能する新しいKD手法を提案する。
提案手法は, トレーニング過程の異なる段階において, 適切な監督手法を用いて, 上記の制限を克服することができる。
論文 参考訳（メタデータ） (2020-05-02T06:56:56Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。