Self-Distillation for Gaussian Process Models
Notice bibliographique
Résumé
Knowledge distillation has empirically proven to be an effective technique for training a student model to reproduce a teacher model. However, a theoretical understanding of why distillation techniques work is largely absent. In this paper, we aim to remedy this lack by theoretically analyzing self-distillation for Gaussian process regression (GPR) and classification (GPC). We propose two approaches to extend self-distillation to Gaussian processes, which we refer to as deterministic GPSD (d-GPSD) and probabilistic GPSD (ρ-GPSD). The d-GPSD approach resembles most current distillation techniques, and refits a model on deterministic predictions from the teacher, while the ρ-GPSD approach, re-uses the probabilistic posterior for the distillation. By analyzing the properties of these methods, we show that d-GPSD for GPR closely relates to known results for self-distillation and that ρ-GPSD for GPR corresponds to ordinary GPR with a particular choice of hyperparameters. We demonstrate that ρ-GPSD for GPC approximately corresponds to data duplication and a particular scaling of the covariance function and that d-GPSD for GPC requires replacing the Binomial likelihood with a continuous Bernoulli likelihood to be well-specified. We illustrate our theoretical results with empirical examples. To our knowledge, these are the first formulations of self-distillation specifically for GP models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».