《Is dataset condensation a silver bullet for healthcare data sharing?》

一篇数据浓缩在医疗数据集应用中的论文。
其实就是在医疗数据集上使用了data condensation的方法，这里使用了DM的方式，并且新增了浓缩时候使用不同的网络。

1. 方法

数据浓缩DC的目的是：
$${\mathbb{E}}_{\mathbf{x}\sim P_{\mathcal{D}}}\left[\mathrm{L}\left({\phi }_{{\mathbf{\theta }}^{\mathcal{O}}}(\mathbf{x}),y\right)\right]\simeq {\mathbb{E}}_{\mathbf{x}\sim P_{\mathcal{D}}}\left[\mathrm{L}\left({\phi }_{{\mathbf{\theta }}^c}(\mathbf{x}),y\right)\right]$$
对于数据x，在原始数据$\mathcal{O}$和生成数据$c$上训练得到的模型要有接近的模型效果。
作者用DM来实现数据浓缩，并且选择随机的模型，随机的参数（作者说在DM中，只选择了一个模型的而不同参数训练，这里使用不同模型不同参数更能保护隐私）
min ⁡ C E ϕ μ k k ∼ Φ , μ k ∼ P μ k ∥ 1 ∣ O ∣ ∑ i = 1 ∣ O ∣ ϕ μ k k ( x i ) − 1 ∣ C ∣ ∑ j = 1 ∣ C ∣ ϕ μ k k ( c j ) ∥ 2 \min _{\mathcal{C}} \mathbb{E}_{\phi_{\boldsymbol{\mu}_k}^k \sim \Phi, \boldsymbol{\mu}_k \sim P_{\boldsymbol{\mu}_k}}\left\|\frac{1}{|\mathcal{O}|} \sum_{i=1}^{|\mathcal{O}|} \phi_{\boldsymbol{\mu}_k}^k\left(\mathbf{x}_i\right)-\frac{1}{|\mathcal{C}|} \sum_{j=1}^{|\mathcal{C}|} \phi_{\boldsymbol{\mu}_k}^k\left(\mathbf{c}_j\right)\right\|^2 Cmin​Eϕμk​k​∼Φ,μk​∼Pμk​​​ ​∣O∣1​i=1∑∣O∣​ϕμk​k​(xi​)−∣C∣1​j=1∑∣C∣​ϕμk​k​(cj​) ​2

2. 结果：