本研究探讨了数据集蒸馏中的安全性问题，提出了一种新方法，通过重建类别原型，在不访问原始数据的情况下向蒸馏数据集中注入后门。实验表明，蒸馏数据集易受攻击，该方法高效，能快速合成恶意数据集。

本研究提出了AutoPalette框架，旨在解决数据集蒸馏中的颜色冗余问题。该框架通过减少颜色冗余，提高训练效率，并在多种数据集上测试显示出显著的性能提升。

本研究提出了BEARD基准，用于评估数据集蒸馏方法在高压缩比情况下的对抗鲁棒性。通过对抗游戏框架引入三项关键指标，实验结果表明BEARD为研究人员提供了标准化的评估机制，推动了对抗鲁棒性研究。

本研究提出了一种定向权重调整方法，以解决数据集蒸馏中的多样性缺失问题。实验结果表明，该方法能够有效生成高代表性和多样性的合成数据集，并降低计算开销。

数据集蒸馏通过合成少量图像来近似完整数据集，但在增加每类图像数量时效果下降。SelMatch方法通过选择初始化和部分更新，提升蒸馏效果。在CIFAR-10/100和TinyImageNet测试中，尤其在高IPC下表现优异。该方法使用滑动窗口算法选择合适样本进行初始化，并在蒸馏过程中保持部分样本不变，确保数据集多样性和复杂性。实验结果显示SelMatch在不同子集比例下表现出色。

本文研究数据集蒸馏，提出HaBa方法，通过将数据集分解为数据幻象网络和基础部分，提升数据压缩效果和跨体系结构的泛化能力。同时探讨样本难度对蒸馏数据集质量的影响，提出样本难度修正方法（SDC），在多种蒸馏方法和数据集上显著提高了数据集质量。

本文探讨了一种新的数据集蒸馏方法，包括基于固定模型的蒸馏和合成标签训练，提出了HaBa数据集分解和分布式数据集精炼（D3）方法，显著提升了数据压缩效果和模型性能，特别是在ImageNet-1K数据集上取得了优异的结果。

本文探讨了数据集蒸馏技术，提出通过合成标签和新优化算法提升深度学习模型性能。研究表明，软标签显著提高模型准确率，并提出GIFT方法以优化标签利用，增强数据集蒸馏效果。

本研究建立了对抗性鲁棒性评估标准，分析了鲁棒模型在图片分类和表格数据中的表现。实验表明，数据更改强度过大无法反映真实情况，且高分辨率下基于梯度的攻击泛化能力差。提出的新攻击方法CAPGD和CAA强调了多样化攻击的重要性，以提高模型鲁棒性。此外，研究探讨了数据集蒸馏对鲁棒性的影响，发现结合蒸馏数据可增强模型的抗攻击能力。

本文探讨了数据集蒸馏的多种方法及应用，提出使用合成标签和元学习算法以提升模型性能。研究表明，软标签在数据集精馏中具有显著优势，并强调损失函数选择的重要性。新方法GIFT有效提升了数据集蒸馏效果，且不增加计算成本。

本文提出了一种数据集蒸馏的方法，通过集成剪断损失和梯度惩罚来调整专家轨迹参数的变化速率，并提出增强策略，以解决现有方法在训练大型机器学习模型时存在的问题。实验结果表明，该方法在各种规模、大小和分辨率的数据集上明显优于之前的方法。