只要一块6年前的2080Ti，就能做大模型数据蒸馏？
来自上交大EPIC实验室等机构的一项最新研究，提出了一种新的数据集蒸馏方法——NFCM。
与前SOTA相比，新方法的显存占用只有1/300，并且速度提升了20倍，相关论文获得了CVPR满分。
NCFM引入了一个辅助的神经网络，将数据集蒸馏重新表述为一个极小化极大（minmax）优化问题。
在多个基准数据集上，NCFM都取得了显著的性能提升，并展现出可扩展性。
在CIFAR数据集上，NCFM只需2GB左右的GPU内存就能实现无损的数据集蒸馏，用2080Ti即可实现。
并且，NCFM在连续学习、神经架构搜索等下游任务上也展现了优异的性能。
将数据蒸馏转化为minmax优化
NCFM的核心是引入了一个新的分布差异度量NCFD，并将数据集蒸馏问题转化为一个minmax优化问题。
通过交替优化合成数据以最小化NCFD，以及优化采样网络以最大化NCFD，NCFM在提升合成数据质量的同时，不断增强分布差异度量的敏感性和有效性。
特征提取与频率参数采样
NCFM的第一步，是进行特征提取，也就是从真实数据集和合成数据集中分别采样一批数据，并将其输入到特征提取网络中。
特征提取网络将原始数据从像素空间映射到一个特征空间，得到对应的特征表示，目的是提取数据的高层语义特征，为后续的分布匹配做准备。
特征提取网络可以是一个预训练的模型，也可以是一个随机初始化的模型，这里NCFM采用了一种混合方式。
接下来，NCFM引入了一个轻量级的神经网络作为采样网络，它接受一个随机噪声作为输入，输出一组频率参数。
这些频率参数将用于对特征函数（Characteristic Function，CF）进行采样。
特征函数计算与分布差异度量
对于每一个频率参数，将其与特征表示进行内积运算，然后取复指数，就得到了对应的CF值。
这两个CF值都是复数，其中实部刻画了数据在该频率上的分布范围，捕捉分布的散度或多样性；虚部则反映了数据在该频率上的分布中心，捕捉分布的典型性或真实性。
通过比较真实数据和合成数据的CF值，就可以全面地度量它们在特征空间上的分布差异。
为了定量地度量真实数据和合成数据之间的分布差异，NCFM引入了一个称为神经特征函数差异（Neural Characteristic Function Discrepancy，NCFD）的度量。
NCFD综合考虑了所有采样频率上的CF差异，将其汇总为一个标量值。NCFD越小，说明两个分布越接近；NCFD越大，说明两个分布差异越大。
minmax优化
有了NCFD这个分布差异度量，NCFM的优化目标就很清晰了——
最小化NCFD，使得合成数据和真实数据的分布尽可能接近；同时，望最大化NCFD对合成数据的敏感度，使之能够准确反映合成数据的变化。
为了同时实现这两个目标，NCFM引入了一个minmax优化框架：
- 在极小化阶段，固定采样网络的参数，调整合成数据，目标是最小化NCFD。这一步使得合成数据向真实数据分布不断靠拢。
- 在极大化阶段，固定合成数据，调整采样网络的参数，目标是最大化NCFD。这一步使得NCFD对合成数据的差异更加敏感，提升其作为差异度量的有效性。
通过交替进行极小化阶段和极大化阶段的优化，NCFM不断改进合成数据的质量，同时也不断强化NCFD度量的敏感性和准确性。
模型微调与标签生成
为了进一步提升合成数据的质量，NCFM在优化过程中还引入了两个额外的步骤——模型微调和标签生成。
- 在模型微调阶段，NCFM用合成数据微调特征提取网络，使其更加适应合成数据的特征分布，从而进一步缩小合成数据和真实数据之间的特征差异，提高合成数据的真实性；
- 在标签生成阶段，用一个预训练的教师模型来为合成数据生成软标签。软标签提供了更加丰富和细粒度的监督信息，可以指导合成数据更好地模仿真实数据的类别分布，提高合成数据的多样性。
一块2080Ti搞定CIFAR实验
相比于此前方法，NCFM在多个数据集上实现了显著的性能提升。
在CIFAR-10、CIFAR-100、等数据集中上，NCFM在每类1/10/50张图片的情况下的测试精度均超过了所有baseline方法。
在ImageNet的各个子集上，NCFM也展现了卓越的性能。
例如在ImageNette上，每类10张图片时，NCFM达到了77.6%的测试精度，比现有最佳方法（RDED）高出14.4个百分点；
在ImageSquawk上，每类10张图片时，NCFM达到了72.8%的测试精度，比现有最佳方法（MTT）高出20.5个百分点。
在性能提升的同时，NCFM还实现了大量的速度提升和资源节约。
在CIFAR-100上，NCFM每轮迭代的平均训练时间比TESLA快了29.4倍，GPU内存消耗仅为TESLA的1/23.3（每类50张图片）；
在Tiny ImageNet上，NCFM每轮迭代的平均训练时间比TESLA快了12.8倍，GPU内存消耗仅为TESLA的1/10.7（每类10张图片）。
并且，NCFM在CIFAR-10和CIFAR-100上实现了无损的数据集蒸馏，仅使用了约2GB的GPU内存，使得CIFAR上的所有实验都可以在一块2080Ti上进行。
此外，NCFM生成的合成数据在跨模型泛化能力上超过了现有方法。
例如在CIFAR-10上，用NCFM生成的合成数据训练AlexNet、VGG和ResNet，都取得了比现有方法更高的测试精度。
来自上交大“最年轻博导”课题组
本文第一作者，是上交大人工智能学院EPIC实验室博士生王少博。
王少博本科就读于哈工大软件工程专业，专业排名第一名；然后在上交大读研，导师是严骏驰教授，研究方向为深度学习理论和可解释性机器学习，其间专业排名第二。
现在王少博正在张林峰助理教授负责的EPIC实验室读博，研究方向为“高效、可解释的深度学习和”大模型。
王少博现在的导师张林峰，是本文的通讯作者。
张林峰出生于1997年，去年6月在清华叉院取得博士学位，然后到上交大人工智能学院担任博导并负责EPIC实验室，时年仅有27岁。
同时，张林峰还在NeurIPS、ICML、ICLR、CVPR等顶级学术会议当中担任审稿人。
张林峰还曾到香港科技大学（广州）担任访问助理教授，他的邀请人胡旭明同样是一名年轻博导，并且也参与了本项目。
此外还有EPIC实验室的其他成员，以及来自上海AI实验室的学者，亦参与了NFCM的研究。
论文地址：https://github.com/gszfwsb/NCFM/blob/main/asset/paper.pdf
GitHub仓库：https://github.com/gszfwsb/NCFM
