непосредственно на таком синтетическом наборе данных, без необходимости использовать модель-учителя на этапе вывода (inference). Такой подход снижает вычислительные затраты и объём используемой памяти при обучении, сохраняя при этом качество работы модели. В статье подробно разбираются методология и потенциальные области применения дистилляции наборов данных.