کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Dataset distillation (DD) aims to distill a small, information-rich dataset from a larger one for efficient neural network training. However, existing DD methods struggle with long-tailed datasets, which are prevalent in real-world scenarios. By investigating the reasons behind this unexpected result, we identified two main causes: 1) Expert networks trained on imbalanced data develop biased gradients, leading to the synthesis of similarly imbalanced distilled datasets. Parameter matching, a common technique in DD, involves aligning the learning parameters of the distilled dataset with that of the original dataset. However, in the context of long-tailed datasets, matching biased experts leads to inheriting the imbalance present in the original data, causing the distilled dataset to inadequately represent tail classes. 2) The experts trained on such datasets perform suboptimally on tail classes, resulting in misguided distillation supervision and poor-quality soft-label initialization. To address these issues, we propose a novel long-tailed dataset distillation method, Long-tailed Aware Dataset distillation (LAD). Specifically, we propose Weight Mismatch Avoidance to avoid directly matching the biased expert trajectories. It reduces the distance between the student and the biased expert trajectories and prevents the tail class bias from being distilled to the synthetic dataset. Moreover, we propose Adaptive Decoupled Matching, which jointly matches the decoupled backbone and classifier to improve the tail class performance and initialize reliable soft labels. This work pioneers the field of long-tailed dataset distillation (LTDD), marking the first effective effort to distill long-tailed datasets.
چکیده به فارسی (ترجمه ماشینی)
تقطیر مجموعه داده (DD) با هدف تقطیر یک مجموعه داده کوچک و غنی از اطلاعات از یک بزرگتر برای آموزش کارآمد شبکه عصبی.با این حال ، روش های DD موجود با مجموعه داده های بلند و طولانی ، که در سناریوهای دنیای واقعی رواج دارند ، مبارزه می کنند.با بررسی دلایل این نتیجه غیر منتظره ، ما دو دلیل اصلی را شناسایی کردیم: 1) شبکه های خبره آموزش داده شده بر روی داده های نامتوازن ، شیب های مغرضانه ایجاد می کنند و منجر به سنتز مجموعه داده های مقطر به طور مشابه.تطبیق پارامتر ، یک تکنیک مشترک در DD ، شامل تراز کردن پارامترهای یادگیری مجموعه داده مقطر با مجموعه داده های اصلی است.با این حال ، در زمینه مجموعه داده های دم بلند ، تطبیق کارشناسان مغرضانه منجر به ارثی عدم تعادل موجود در داده های اصلی می شود و باعث می شود مجموعه داده های مقطر به طور ناکافی کلاس های دم را نشان دهند.2) متخصصان آموزش داده شده در چنین مجموعه داده ها در کلاسهای دم به طور زیرپایی انجام می دهند ، و در نتیجه نظارت بر تقطیر نادرست و اولیه سازی برچسب نرم با کیفیت ضعیف انجام می شود.برای پرداختن به این موضوعات ، ما یک روش تقطیر مجموعه داده های بلند و بلند ، تقطیر مجموعه داده های آگاه با دم بلند (LAD) را پیشنهاد می کنیم.به طور خاص ، ما برای جلوگیری از تطبیق مستقیم مسیرهای متخصص مغرضانه ، جلوگیری از عدم تطابق وزن را پیشنهاد می کنیم.این فاصله بین دانش آموز و مسیرهای متخصص مغرضانه را کاهش می دهد و از تقطیر کلاس دم به مجموعه داده مصنوعی جلوگیری می کند.علاوه بر این ، ما تطبیق جدا شده تطبیقی را پیشنهاد می کنیم ، که به طور مشترک با ستون فقرات و طبقه بندی کننده جدا شده برای بهبود عملکرد کلاس دم و تنظیم برچسب های نرم قابل اعتماد مطابقت دارد.این کار در زمینه تقطیر مجموعه داده های دم بلند (LTDD) پیشگام است و اولین تلاش مؤثر برای تقطیر مجموعه داده های دم بلند را نشان می دهد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
