Paper002: Dataset Condensation with Distribution Matching

核心集和以往数据压缩算法存在的问题

核心集选择（Coreset selection）算法基于一定的启发式准则（Heuristic criteria），如核心集到原数据集中心的距离最小、核心集包含的样本要尽可能地多样等，从原训练集中选择一个更小的核心训练集。这种方法选择了更具有代表性的数据来进行训练，因而降低了训练的开销，但是它也存在如下缺点：

1. 核心集选择依赖的几乎都是贪心算法，这可能无法达到全局最优；
2. 有效性极度依赖原训练集的有效性。

数据蒸馏（Dataset distillation，或数据缩合，Dataset condensation），一定程度上解决了核心集选择的问题，但无论是最原始的数据蒸馏算法，还是前面提到的基于梯度匹配的数据缩合算法都存在一定的缺陷：

1. 模型参数${\theta }^{\mathcal{S}}$和合成数据集$\mathcal{S}$的双重梯度下降十分消耗算力；
2. 对合成数据集$\mathcal{S}$进行梯度下降时，要计算二阶混合偏导；
3. 用于合成数据的网络的超参数不好调节（e.g. ${\theta }^{\mathcal{S}}$和$\mathcal{S}$的梯度下降次数${\varsigma }^{\theta }$和${\varsigma }^{\mathcal{S}}$）。

这些缺陷限制了其在大数据集上的应用。

分布匹配

分布匹配（Distribution matching）是这篇文章使用的用于数据缩合的方法。实际上，它更像是一种可以学习的核心集：

1. 相比于纯核心集，分布匹配学习到的$\mathcal{S}$中的数据不一定存在于原训练集中；
2. 相比于基于梯度匹配的数据缩合，分布匹配学习到的$\mathcal{S}$中的数据分布更加接近原训练集，且缩合的速度更快；
3. 可以将分布匹配理解为用学习的方法去获得一个更小的、与原训练集同分布的合成集。

Fig. 1. Dataset condensation with distribution matching

要让学习到的$\mathcal{S}$与原训练集$\mathcal{T}$近似于同分布，要点在于有个确切的方法能衡量两个分布的近似情况。文中采用的是常用的最大均值差异法（Maximum mean discrepancy）：

$$\begin{array}{}\text{(1)}& \underset{{\psi }_{\theta }\in \mathcal{H},||{\psi }_{\theta }|{|}_{\mathcal{H}}\le 1}{sup}(\text{E}[{\psi }_{\theta }(\mathcal{T})]& -\text{E}[{\psi }_{\theta }(\mathcal{S})])\text{(2)}& min{\text{E}}_{\theta \sim P_{\theta }}||\frac{1}{|\mathcal{T}|}\sum _{i=1}^{|\mathcal{T}|}{\psi }_{\theta }(x_i)& -\frac{1}{|\mathcal{S}|}\sum _{j=1}^{|\mathcal{S}|}{\psi }_{\theta }({\mathcal{s}}_j)|{|}^2\end{array}$$

其中，$\mathcal{T}$是原训练集，$\mathcal{S}$是合成集；$x$和$\mathcal{s}$分别是原训练集和合成集单一样本的特征；${\psi }_{\theta }$是一个带参数的函数（实际上是一个神经网络，$\theta$为其模型参数，服从分布$P_{\theta }$；也是再生希尔伯特空间中的一个向量），该函数将样本的特征映射到更低的维度，便于处理（实际上是求一个高阶矩）。

文中用的实验样例是图片分类，因此样本的特征就是图片。作者还在式$(2)$的基础上考虑了数据增强（Data augmentation）以更好地适应训练图片数据的实际情况，因此式$(2)$又可变为：

$$\begin{array}{}\text{(3)}& \underset{\omega \sim \mathrm{\Omega }}{min}{\text{E}}_{\theta \sim P_{\theta }}||\frac{1}{|\mathcal{T}|}\sum _{i=1}^{|\mathcal{T}|}{\psi }_{\theta }(\mathcal{A}(x_i,\omega ))-\frac{1}{|\mathcal{S}|}\sum _{j=1}^{|\mathcal{S}|}{\psi }_{\theta }(\mathcal{A}({\mathcal{s}}_j,\omega ))|{|}^2\end{array}$$

其中，$\mathrm{\Omega }$是数据增强参数空间，$\mathcal{A}(x,\omega )$则是相应的增强操作，其对$x$和$\mathcal{s}$是一样的。

重要代码

以下只是对文中代码的简单实现（并不能运行），具体代码详见文章提供的开源部分Dataset Condensation with Distribution Matching。

Fig. 2. Pseudocode in paper

# 参数定义
num_exp = 5  # 重复实验次数
num_classes = 10  # 实验为图片分类，使用数据集MNIST，共10个类
ipc = 10  # 为每个类训练十张合成图片
channel = 1  # 对黑白图片，输入通道为1
im_size = [28, 28]  # MNIST图片尺寸为28x28
device = torch.device('cuda')  # 用GPU训练
lr_img = 1.0  # 合成图片学习率
K = 1000  # 最外层循环，使得合成集S能适应模型参数的不同初始化方式，实际上作用同epoch
batch_real = 256  # 原训练集的批量大小
batch_train = 256  # 训练模型参数时的批量大小

# 重复实验
for exp in range(num_exp):
    '''对原训练集和合成集的初始化'''
    # 一些获取训练集T的操作，最终得到的特征和标签依次为（MNIST）:
    # images_all: Tensor，shape (6000, 1, 28, 28)，其中6000为样本数，1为输入通道数（因为是黑白图片），28x28是图片像素
    # labels_all: Tensor，shape (6000)，6000为样本数，类别为10，包含0~9的手写数字

    # 可训练的合成图片，shape (10, 1, 28, 28)
    image_syn = torch.randn(size=(num_classes*ipc, channel, im_size[0], im_size[1]), dtype=torch.float32, requires_grad=True, device=device)
    # 不可训练的合成图片标签，shape (10)
    label_syn = torch.tensor([np.ones(ipc)*i for i in range(num_classes)], dtype=torch.long, requires_grad=False, device=device).view(-1)

    '''优化算法、损失函数'''
    # 对合成图片的优化算法为使用动量法的SGD
    optimizer_image = torch.optim.SGD([image_syn, ], lr=lr_img, momentum=0.5)
    optimizer_image.zero_grad()  # 梯度清零
    # 此处先不定义损失函数，因为用的是MMD

    '''for k = 0, ... ,K - 1'''
    for k in range(K+1):
        # 源代码在此处存在在特定结点分析训练效果的代码，此处省略
        
        '''sample \theta'''
        # 获取某个指定的网络同时随机初始化模型参数，原文存在参数，此处省略，仅作为示意
        net = get_network().to(device)
        net.train()  # 使网络进入训练模式
        # PyTorch生成网络的模型参数默认是记录梯度的，但在DM中，网络只是映射函数，因此不需要训练，也就无需梯度
        for param in list(net.parameters()):
            param.requires_grad = False
        # net.embed是作者定义的网络类中的函数，实际上是个简化版的forward，一般是去掉最后一层的全连接层
        embed = net.embed

        # 将所有类别的梯度差异相加再计算梯度
        loss = torch.tensor(0.0).to(device)

        # 原文还分有BatchNorm和无BatchNorm的情况，此处只考虑无BatchNorm
        '''sample mini-batch pairs for each class'''
        # 对不同的类别单独训练
        for c in range(num_classes):
            # 从原训练集的c类中随机获取batch_real张图片，注意，get_images是原文定义的内联函数，因此可以直接访问images_all，而此时images_all已经被放到GPU中了
            img_real = get_images(c, batch_real)
            # 因为网络只是映射特征，故不需要labels
            # 同样地获取合成集中对应类别的数据
            img_syn = image_syn[c*ipc:(c+1)*ipc].reshape(ipc, channel, im_size[0], im_size[1])

            # 原文此处有数据增强，此处省略

            '''数据过网络'''
            # 原训练集
            output_real = embed(img_real).detach()  # 以防万一，不要让其进入计算图中
            # 合成集
            output_syn = embed(img_syn)
            '''MMD'''
            # 计算MMD，实际值为矩阵每列平均值（行一般代表样本数）差的平方和
            loss += torch.sum((torch.mean(output_real, dim=0) - torch.mean(output_syn, dim=0))**2)

        '''更新合成图片'''
        optimizer_img.zero_grad()  # 合成图片矩阵的梯度清零
        loss.backward()  # 计算对合成图片矩阵的二阶混合偏导
        optimizer_img.step()  # 梯度下降

只有学习率一个可调参数。

实验设计

后续的内容几乎与Dataset Condensation一致，只不过用到了更大的数据集。实验结果也表明，相比于DC得到的合成集，DM得到的合成集的分布更加均匀、更加接近原训练集。