【课题推荐发表期刊】

【课题背景】

在现代机器学习领域，如何从庞大的数据集中提取有用的信息并减少训练时间和资源消耗是一个重要挑战。数据蒸馏是一种有效的技术，通过简化训练数据的复杂性来提高模型的训练效率和泛化能力。数据蒸馏可以显著提高深度学习模型的训练速度，同时保持甚至提高模型性能。这对于需要处理大规模数据集的应用领域，如自然语言处理、图像识别和医学影像分析等，尤为重要。此外，数据蒸馏技术在提升模型的解释性和减少模型对错误数据的敏感性方面也显示出潜力。

本课题将以数据蒸馏技术与算法为基础开展研究，以期提升与优化深度学习模型的性能。

【课题方向参考】

• 研究和开发新的数据蒸馏算法，以更高效地提取关键数据特征，减少数据在传输和存储中的冗余

• 开发新的评估指标和方法，以量化蒸馏数据的质量和对模型性能的影响，确保数据蒸馏不会导致关键信息的丢失

【适合人群】

计算机、数学、数据科学等专业的本、硕研究生，要求有学习人工智能方面的热情和动力，希望能够在本科期间发表高质量论文的学生，熟练使用python。

【课题收获】

• 高质量论文一篇（SCI/CCF定向期刊）

• SCI期刊投递与发表指导

• 结业证书

【课题安排】

研究周期预估六个月左右，具体视学员情况调整。

【推荐阅读】

• 2024 A gradual approach to knowledge distillation in deep supervised hashing for large-scale image retrieval