論文の概要: Distilled Circuits: A Mechanistic Study of Internal Restructuring in Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2505.10822v1
• Date: Fri, 16 May 2025 03:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:13.967213
• Title: Distilled Circuits: A Mechanistic Study of Internal Restructuring in Knowledge Distillation
• Title（参考訳）: 蒸留回路:知識蒸留における内部再構成の力学的研究
• Authors: Reilly Haskins, Benjamin Adams,
• Abstract要約: 教師と生徒の間で内部回路,表現,アクティベーションパターンがどう異なるかを分析する。 学生モデルは、教師コンポーネントを再編成、圧縮、破棄し、多くの場合、より少ない個々のコンポーネントに強く依存する。
• 参考スコア（独自算出の注目度）: 0.3683202928838613
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Knowledge distillation compresses a larger neural model (teacher) into smaller, faster student models by training them to match teacher outputs. However, the internal computational transformations that occur during this process remain poorly understood. We apply techniques from mechanistic interpretability to analyze how internal circuits, representations, and activation patterns differ between teacher and student. Focusing on GPT2-small and its distilled counterpart DistilGPT2, we find that student models reorganize, compress, and discard teacher components, often resulting in stronger reliance on fewer individual components. To quantify functional alignment beyond output similarity, we introduce an alignment metric based on influence-weighted component similarity, validated across multiple tasks. Our findings reveal that while knowledge distillation preserves broad functional behaviors, it also causes significant shifts in internal computation, with important implications for the robustness and generalization capacity of distilled models.
• Abstract（参考訳）: 知識蒸留は、より大きなニューラルネットワーク(教師)をより小さくより高速な学生モデルに圧縮し、教師の出力にマッチするように訓練する。 しかし、この過程で起こる内部の計算変換は未だ理解されていない。 本研究では,教師と生徒の間で内部回路,表現,アクティベーションパターンの違いを解析するために,機械的解釈可能性の手法を適用した。 GPT2-smallとその蒸留品であるDistilGPT2に焦点をあてると、学生モデルは教師コンポーネントを再編成、圧縮、破棄し、多くの場合、より少ない個々のコンポーネントに依存する。 出力類似性を超えた機能的アライメントを定量化するために,複数のタスクにまたがって検証された影響重み付きコンポーネント類似性に基づくアライメント指標を導入する。 以上の結果から, 知識蒸留は幅広い機能的挙動を保ちながら, 内部計算の大幅な変化を招き, 蒸留モデルの堅牢性と一般化能力に重要な影響を及ぼすことが明らかとなった。

関連論文リスト

• Empirical Evaluation of Knowledge Distillation from Transformers to Subquadratic Language Models [3.287942619833188]
  我々は,トランスフォーマーの教師から9つのサブクワッドラティックな学生建築への知識蒸留の伝達可能性について,体系的に評価した。 本研究の目的は,教師の学習した表現にどのサブクワッドラティックモデルが最適か,また,異なる構造的制約が蒸留プロセスにどのように影響するかを判断することである。
  論文  参考訳（メタデータ） (2025-04-19T17:49:52Z)
• Learning from Stochastic Teacher Representations Using Student-Guided Knowledge Distillation [64.15918654558816]
  教師表現のフィルタリングと重み付けのための自己蒸留(SSD)訓練戦略を導入し,タスク関連表現のみから抽出する。 UCR Archiveのウェアラブル/バイオサインデータセット、HARデータセット、画像分類データセットなどの実世界の感情コンピューティングに関する実験結果は、提案したSSD手法が最先端の手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-04-19T14:08:56Z)
• Quantifying Knowledge Distillation Using Partial Information Decomposition [14.82261635235695]
  部分情報分解を用いて、蒸留に必要な変換された知識と知識を定量化し、説明します。 我々は冗長情報をレギュレータとして組み込むための新しいマルチレベル最適化を提案し、冗長情報蒸留(RID)の枠組みを導いた。
  論文  参考訳（メタデータ） (2024-11-12T02:12:41Z)
• Learning Lightweight Object Detectors via Multi-Teacher Progressive Distillation [56.053397775016755]
  本稿では,教師検出器の知識を学生に段階的に伝達する,知識蒸留への逐次的アプローチを提案する。 私たちの知識を最大限に活用するために、私たちはTransformerベースの教師検出器から、畳み込みベースの学生まで、初めて知識を抽出しました。
  論文  参考訳（メタデータ） (2023-08-17T17:17:08Z)
• Supervision Complexity and its Role in Knowledge Distillation [65.07910515406209]
  蒸留した学生の一般化行動について検討する。 この枠組みは、教師の精度、教師の予測に対する生徒の差、教師の予測の複雑さの間の微妙な相互作用を強調している。 オンライン蒸留の有効性を実証し,様々な画像分類ベンチマークとモデルアーキテクチャに関する理論的知見を検証した。
  論文  参考訳（メタデータ） (2023-01-28T16:34:47Z)
• DETRDistill: A Universal Knowledge Distillation Framework for DETR-families [11.9748352746424]
  トランスフォーマーベースの検出器(DETR)は、訓練パラダイムの疎さと後処理操作の除去により、大きな注目を集めている。 知識蒸留(KD)は、普遍的な教師学習フレームワークを構築することで、巨大なモデルを圧縮するために用いられる。
  論文  参考訳（メタデータ） (2022-11-17T13:35:11Z)
• On the benefits of knowledge distillation for adversarial robustness [53.41196727255314]
  知識蒸留は, 対向ロバスト性において, 最先端モデルの性能を高めるために直接的に利用できることを示す。 本稿では,モデルの性能向上のための新しいフレームワークであるAdversarial Knowledge Distillation (AKD)を提案する。
  論文  参考訳（メタデータ） (2022-03-14T15:02:13Z)
• Teacher's pet: understanding and mitigating biases in distillation [61.44867470297283]
  いくつかの研究により、蒸留によって学生の全体的なパフォーマンスが著しく向上することが示されている。 しかし、これらのゲインはすべてのデータサブグループに均一なのでしょうか? 蒸留が特定の部分群の性能に悪影響を及ぼすことを示す。 信頼性の低いサブグループに対して,教師の影響を和らげる手法を提案する。
  論文  参考訳（メタデータ） (2021-06-19T13:06:25Z)
• Structural Knowledge Distillation: Tractably Distilling Information for Structured Predictor [70.71045044998043]
  知識蒸留の目的的機能は、典型的には教師と学生の出力分布の相互エントロピーである。 構造化予測問題の場合、出力空間は指数関数的である。 本稿では, 構造的知識の蒸留における, シーケンスラベリングと依存性解析モデル間のトラクタビリティと実証的有効性を示す。
  論文  参考訳（メタデータ） (2020-10-10T14:19:25Z)

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。