作者：邵仁荣，刘宇昂，张伟，王骏

作者单位：华东师范大学计算机科学与技术学院

在人工智能迅速发展的今天，深度神经网络广泛应用于各个研究领域并取得了巨大的成功，但也同样面临着诸多挑战．

首先，为了解决复杂的问题和提高模型的训练效果，模型的网络结构逐渐被设计得深而复杂，难以 适应移动计算发展对低资源、低功耗的需求．知识蒸馏最初作为一种从大型教师模型向浅层学生模型迁移知识、提 升性能的学习范式被用于模型压缩．然而随着知识蒸馏的发展，其教师学生的架构作为一种特殊的迁移学习方式，演化出了丰富多样的变体和架构，并被逐渐扩展到各种深度学习任务和场景中，包括计算机视觉、自然语言处理、推荐系统等等．

另外，通过神经网络模型之间迁移知识的学习方式，可以联结跨模态或跨域的学习任务，避免知识遗忘；还能实现模型和数据的分离，达到保护隐私数据的目的．知识蒸馏在人工智能各个领域发挥着越来越重要 的作用，是解决很多实际问题的一种通用手段．

本文将近些年来知识蒸馏的主要研究成果进行梳理并加以总结，分析该领域所面临的挑战，详细阐述知识蒸馏的学习框架，从多种分类角度对知识蒸馏的相关工作进行对比和分析， 介绍了主要的应用场景，在最后对未来的发展趋势提出了见解。

论文链接