En este artículo, proponemos una técnica de destilación de conjuntos de datos mediante un modelo generativo para reducir la dependencia de grandes conjuntos de datos. A diferencia de los métodos existentes que se centran en la consistencia con el conjunto de datos original, este artículo propone una estrategia de muestreo específica para cada tarea para mejorar el rendimiento de tareas posteriores específicas, como las de clasificación. Este método genera un conjunto de datos obteniendo una distribución de muestreo que coincide con la distribución de dificultad del conjunto de datos original del conjunto de imágenes y aplica una transformación logarítmica como paso de preprocesamiento para corregir el sesgo de distribución. Mediante experimentos exhaustivos, verificamos la eficacia del método propuesto y sugerimos su aplicabilidad a otras tareas posteriores. El código está disponible en GitHub.
