新蒸馏方法让合成样本在潜空间漂移以逼近类内分布

研究者提出了一种名为 Drifting 的数据集蒸馏方法，放弃传统分类目标，转而在特征提取器的潜空间中让合成样本“漂移”——既靠近真实数据又彼此远离，从而直接逼近各类别的真实数据分布。论文已被 NeurIPS 2026 接收。 作者称，研究发现漂移后的合成数据对真实分布的覆盖显著优于现有方法，同时仍可作为高效的分类训练样本。该方法还可用于模型解释的可视化，并扩展到图像以外的模态。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。