연구진이 데이터 증류를 결과 중심 관점에서 재검토했어요. 기존 방식과 달리, 영향 일치(Inf-Match)는 전체 데이터셋에 대한 최종 결과의 영향을 모방하는 소규모 합성 데이터셋을 학습해요. 새로운 샘플 수준 영향 추정기를 도입하여, 데이터 추가/제거에 따른 파라미터 변화를 정량화하며, Tiny-ImageNet에서 NCFM보다 4.7% 성능 향상을 달성했어요.
Inf-Match는 Flickr30K에서 강력한 과정 일치 기반 모델을 능가하는 비전-언어 증류에도 적용돼요. 200~1000개의 합성 샘플로 이미지/텍스트 검색 작업에서 NCFM보다 2.5% 높은 평균 성능을 보여줬어요.
코드 공개는 GitHub를 통해 이루어질 예정이에요.