Author
一作 Cristian Bucila 总共三作，都是Cornell大学的， 2006年，还有没有深度网络，都是传统的机器学习方法，以及人工神经网络
Abstract
ensemble模型很费空间，时间，而且费计算力，所以设计把大的，多个复杂模型压缩到小的，更快的模型，基本上能得到性能提升
Introduction
用人工神经网络mimic由 ensemble selection 学到的function, 为什么使用人工神经网络，因为它是通用的universal approximators, 不是在原始的小数据集上训练，而是由原始的ensemble模型来标记大量的unlabel数据，然后让神经网络在这个大数据集上训练，也就是让神经网络做出的预测与ensemble 模型相似，比神经网络直接在原始的小数据集上训练得到的效果好很多
唯一的困难是需要大量的未标记数据，提出了一个新的方法合成新数据 MUNGE, 使用新的数据，我们可以用千分之一小的模型和千倍的速度训练模型，得到与大模型近似的性能。
Model Compression
被mimic的模型是已知的. 如何产生大量的额pseudo data: Random, NBE(Naive Bayes Estimation) 本文提出的MUNGE
