論文の概要: Learning to Remember: Distilling Memory Retention for Compact Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2610.06942v1
• Date: Sat, 03 Oct 2026 09:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.474588
• Title: Learning to Remember: Distilling Memory Retention for Compact Recurrent Neural Networks
• Title（参考訳）: 思い出すための学習:コンパクトなリカレントニューラルネットワークのためのメモリ保持の蒸留
• Abstract要約: ディープラーニングモデルは、時系列の複雑なシーケンシャルパターンをキャプチャし、リアルタイムアセスメントを可能にする。 知識蒸留(KD)は、大規模で複雑なモデル(教師)からより小さく、より効率的なモデル(学生)に知識を移すことによって解を提供する。 メモリ分散知識蒸留(MemKD)と呼ばれる新しいKDフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.1219214213961757
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning models, particularly recurrent neural networks and their variants, such as long short-term memory, have significantly advanced time series analysis. These models capture complex, sequential patterns in time series, enabling real-time assessments. However, their high computational complexity and large model sizes pose challenges for deployment in resource-constrained environments, such as wearable devices and edge computing platforms. Knowledge Distillation (KD) offers a solution by transferring knowledge from a large, complex model (teacher) to a smaller, more efficient model (student), thereby retaining high performance while reducing computational demands. Current KD methods, originally designed for computer vision tasks, neglect the unique temporal dependencies and memory retention characteristics of time series models. To bridge this gap, we propose a novel KD framework termed Memory-Discrepancy Knowledge Distillation (MemKD). MemKD leverages a specialized loss function to capture memory retention discrepancies between the teacher and student models across subsequences within time series data, ensuring that the student model effectively mimics the teacher's behaviour. This approach facilitates the development of compact, high-performing recurrent neural networks suitable for real-time, time series analysis tasks. We provide additional experiments, in-depth theoretical analysis, and insights into the proposed framework across extended time series benchmarks. Our experiments demonstrate that MemKD significantly outperforms state-of-the-art KD methods. Additionally, we demonstrate that it can match the teacher model's performance across a wide range of compression levels, achieving notable reductions in parameter count and memory usage without a significant loss in accuracy.
• Abstract（参考訳）: ディープラーニングモデル、特にリカレントニューラルネットワークとその変種、例えば長期記憶は、大幅に高度な時系列解析を行う。 これらのモデルは時系列の複雑なシーケンシャルパターンをキャプチャし、リアルタイムアセスメントを可能にする。 しかし、その高い計算複雑性と大きなモデルサイズは、ウェアラブルデバイスやエッジコンピューティングプラットフォームなど、リソースに制約のある環境への展開に困難をもたらす。 知識蒸留(KD)は、大規模で複雑なモデル(教師)からより小さくより効率的なモデル(学生)に知識を伝達することで、計算要求を減らしながら高い性能を維持する。 コンピュータビジョンタスク用に設計された現在のKD法は、時系列モデルのユニークな時間依存性とメモリ保持特性を無視している。 このギャップを埋めるために,メモリ分散知識蒸留(MemKD)と呼ばれる新しいKDフレームワークを提案する。 MemKDは、特殊な損失関数を利用して、時系列データ内のサブシーケンス間で教師と学生のモデル間のメモリ保持不一致をキャプチャし、学生モデルが教師の行動を効果的に模倣することを保証する。 このアプローチは、リアルタイム時系列解析タスクに適した、コンパクトで高性能なリカレントニューラルネットワークの開発を容易にする。 提案するフレームワークについて,拡張時系列ベンチマークにまたがって,さらなる実験,詳細な理論解析,洞察を提供する。 実験の結果,MemKDは最先端KD法よりも優れていた。 さらに,パラメータ数とメモリ使用量の顕著な削減を実現し,教師モデルの性能を広範囲の圧縮レベルに適用できることを実証した。

関連論文リスト

• MemKD: Memory-Discrepancy Knowledge Distillation for Efficient Time Series Classification [3.5218695787734826]
  メモリ分散知識蒸留(MemKD)と呼ばれる新しい知識蒸留(KD)フレームワークを提案する。 MemKDは、時系列データ内のサブシーケンスにまたがる教師モデルと学生モデル間のメモリ保持の相違をキャプチャする。 パラメータサイズとメモリ使用量を約500倍削減し、教師モデルに匹敵するパフォーマンスを維持する。
  論文  参考訳（メタデータ） (2026-01-07T07:45:48Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)
• 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)
• DistiLLM: Towards Streamlined Distillation for Large Language Models [53.46759297929675]
  DistiLLMは自動回帰言語モデルのためのより効率的で効率的なKDフレームワークである。 DisiLLMは,(1)新しいスキューKulback-Leibler分散損失,(2)学生生成出力の効率向上を目的とした適応型オフ政治アプローチの2つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-02-06T11:10:35Z)
• EsaCL: Efficient Continual Learning of Sparse Models [10.227171407348326]
  連続的な学習設定の主な課題は、以前に学習したタスクを実行する方法を忘れずに、タスクのシーケンスを効率的に学習することである。 本研究では,モデルの予測力に悪影響を及ぼすことなく,冗長なパラメータを自動生成する,スパースモデル(EsaCL)の効率的な連続学習法を提案する。
  論文  参考訳（メタデータ） (2024-01-11T04:59:44Z)
• 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)
• MixKD: Towards Efficient Distillation of Large-scale Language Models [129.73786264834894]
  データに依存しない蒸留フレームワークであるMixKDを提案する。 妥当な条件下では、MixKDは誤差と経験的誤差の間のギャップを小さくする。 限定的なデータ設定とアブレーションによる実験は、提案手法の利点をさらに証明している。
  論文  参考訳（メタデータ） (2020-11-01T18:47:51Z)
• SpaceNet: Make Free Space For Continual Learning [15.914199054779438]
  本研究では,クラスインクリメンタル学習シナリオのための新しいアーキテクチャベースのSpaceNetを提案する。 SpaceNetは、複数のニューロンで各タスクのスパース接続を圧縮する適応的な方法で、スクラッチから深層ニューラルネットワークを訓練する。 実験により,従来のタスクを忘れることに対する提案手法のロバストさと,モデルが利用可能な容量を利用する場合のSpaceNetの効率性を示す。
  論文  参考訳（メタデータ） (2020-07-15T11:21:31Z)

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。