本文介绍了一种通过生成合成样本来训练深度神经网络的数据集精简方法，显著提高了计算效率和性能。研究提出了对比信号、特征匹配和概率图模型等技术，有效减少数据集大小，同时保持高性能，适用于大规模数据集和连续学习任务。

本文综述图压缩技术，将大图压缩为小型合成图以高效训练图神经网络，涵盖梯度匹配、数据集精简、连续图学习和归纳推理等方法，在Reddit等数据集上实现超99%压缩率，并提升推理速度、降低存储需求。

本文综述数据集蒸馏与精简技术，通过对抗框架、空间关注图匹配、采样初始化、参数剪枝及课程数据增强等方法，从大型数据集合成小数据集，以降低训练成本与GPU内存，提升准确率和跨架构泛化能力，并探讨隐私、鲁棒性与公平性影响。

本文介绍了一种名为数据集精简的高效学习方法，通过从大量数据中学习到一组信息丰富的合成样本来训练深度神经网络。该方法在计算机视觉基准测试中表现出较高性能，并且在有限的内存和计算宝贵的情况下实现了不俗的成绩。