Key points are not available for this paper at this time.
تكافح معظم طرق تقطير المجموعات للتكيف مع المجموعات الكبيرة بسبب متطلباتها الكبيرة من الحساب والذاكرة. في هذه الورقة، نقدم إطار عمل لتقطير المجموعات قائم على المناهج مصمم لتحقيق التوازن بين القابلية للتوسع والكفاءة. يقوم هذا الإطار باستراتيجي بتقطير الصور الاصطناعية، ملتزمًا بمنهج ينتقل من البسيط إلى المعقد. من خلال دمج تقييم المناهج، نتناول مشكلة توليد الصور من الطرق السابقة الميل إلى أن تكون متجانسة وبسيطة، حيث يتم ذلك بتكلفة حسابية قابلة للإدارة. علاوة على ذلك، نقدم تحسينًا عدائيًا تجاه الصور الاصطناعية لتحسين تمثيليتها وحمايتها من الإفراط في التكيف مع الشبكة العصبية المعنية بالتقطير. هذا يعزز القدرة على التعميم للصور المقطرة عبر هياكل الشبكات العصبية المختلفة ويزيد أيضًا من قدرتها على التحمل ضد الضوضاء. تُظهر التجارب الواسعة أن إطار عملنا يضع معايير جديدة في تقطير المجموعات الكبيرة، محققًا تحسينات كبيرة قدرها 11.1٪ على Tiny-ImageNet، و9.0٪ على ImageNet-1K، و7.3٪ على ImageNet-21K. سيتم إصدار الكود المصدر للمجتمع.
درس ما وآخرون (الأربعاء) هذا السؤال.