論文の概要: TreeDiffusion: Hierarchical Generative Clustering for Conditional Diffusion

• arxiv url: http://arxiv.org/abs/2410.16910v2
• Date: Tue, 14 Oct 2025 15:23:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 14:23:56.666899
• Title: TreeDiffusion: Hierarchical Generative Clustering for Conditional Diffusion
• Title（参考訳）: Tree Diffusion: 条件付き拡散のための階層的生成クラスタリング
• Authors: Jorge da Silva Gonçalves, Laura Manduchi, Moritz Vandenhirtz, Julia E. Vogt,
• Abstract要約: 本稿では,学習した階層的クラスタ表現に拡散モデルを適用した,深い生成モデルであるTreeDiffusionを紹介する。 階層的クラスタ表現における条件付き拡散モデルにより,実世界のデータセットにおける生成性能が向上することが実証された。 提案手法は,VAEに基づくクラスタリング手法の学習構造を利用した生成的限界に対処する。
• 参考スコア（独自算出の注目度）: 20.795118866896257
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Generative modeling and clustering are conventionally distinct tasks in machine learning. Variational Autoencoders (VAEs) have been widely explored for their ability to integrate both, providing a framework for generative clustering. However, while VAEs can learn meaningful cluster representations in latent space, they often struggle to generate high-quality samples. This paper addresses this problem by introducing TreeDiffusion, a deep generative model that conditions diffusion models on learned latent hierarchical cluster representations from a VAE to obtain high-quality, cluster-specific generations. Our approach consists of two steps: first, a VAE-based clustering model learns a hierarchical latent representation of the data. Second, a cluster-aware diffusion model generates realistic images conditioned on the learned hierarchical structure. We systematically compare the generative capabilities of our approach with those of alternative conditioning strategies. Empirically, we demonstrate that conditioning diffusion models on hierarchical cluster representations improves the generative performance on real-world datasets compared to other approaches. Moreover, a key strength of our method lies in its ability to generate images that are both representative and specific to each cluster, enabling more detailed visualization of the learned latent structure. Our approach addresses the generative limitations of VAE-based clustering approaches by leveraging their learned structure, thereby advancing the field of generative clustering.
• Abstract（参考訳）: 生成モデリングとクラスタリングは、機械学習において従来とは異なるタスクである。 変分オートエンコーダ(VAE)は、両方を統合する能力について広く研究されており、生成クラスタリングのためのフレームワークを提供している。 しかしながら、VAEは潜在空間で有意義なクラスタ表現を学習できるが、高品質なサンプルを生成するのに苦労することが多い。 本稿では,VAEから学習した潜在階層的クラスタ表現に拡散モデルを条件付け,高品質なクラスタ固有世代を得る,深層生成モデルであるTreeDiffusionを導入することにより,この問題に対処する。 まず、VAEベースのクラスタリングモデルがデータの階層的な潜在表現を学習する。 次に,クラスタ認識拡散モデルを用いて,学習階層構造に基づく現実的な画像を生成する。 提案手法を代替条件付け手法と体系的に比較する。 実験により,階層的クラスタ表現の条件付き拡散モデルにより,実世界のデータセットにおける生成性能が他の手法と比較して向上することが実証された。 さらに,本手法の重要な強みは,各クラスタに代表的かつ特異的な画像を生成する能力であり,学習した潜伏構造のより詳細な可視化を可能にする。 提案手法は, VAEに基づくクラスタリング手法の学習構造を利用して, 生成的クラスタリングの分野を推し進めることによって, 生成的クラスタリング手法の限界に対処する。

関連論文リスト

• Self-Enhanced Image Clustering with Cross-Modal Semantic Consistency [57.961869351897384]
  効率的な画像クラスタリングのためのクロスモーダルなセマンティック一貫性に基づくフレームワークを提案する。 当社のフレームワークはまず,クロスモーダルセマンティック一貫性を通じて,強力な基盤を構築します。 最初の段階では、トレーニング済みモデルのリッチなセマンティクスに合わせて、軽量クラスタリングヘッドをトレーニングします。 第2段階では、自己強化微調整戦略を導入する。
  論文  参考訳（メタデータ） (2025-08-02T08:12:57Z)
• Clustering via Self-Supervised Diffusion [6.9158153233702935]
  Diffusion (CLUDI) によるクラスタリングは、拡散モデルの生成パワーと事前訓練されたビジョントランスフォーマーの機能を組み合わせて、堅牢で正確なクラスタリングを実現する、自己監督型のフレームワークである。 教師は拡散に基づくサンプリングを使用して多様なクラスタ割り当てを生成し、学生は安定した予測へと洗練する。
  論文  参考訳（メタデータ） (2025-07-06T07:57:08Z)
• Generative Kernel Spectral Clustering [12.485601356990998]
  本稿では,カーネルスペクトルクラスタリングと生成モデルを組み合わせた新しいモデルであるGenerative Kernel Spectral Clustering(GenKSC)を提案する。 MNISTとFashionMNISTデータセットの結果は、意味のあるクラスタ表現を学習するモデルの能力を示している。
  論文  参考訳（メタデータ） (2025-02-04T09:59:45Z)
• Structured Generations: Using Hierarchical Clusters to guide Diffusion Models [12.618079575423868]
  本稿では拡散確率モデル(DDPM)の枠組みに階層的クラスタリングを統合する深層生成モデルであるDiffuse-TreeVAEを紹介する。 提案手法は,学習した潜在木VAE構造体の根埋め込みから新たな画像を生成し,階層的な経路を伝播し,第2段階のDDPMを用いて各データクラスタの異なる高品質な画像を洗練・生成する。
  論文  参考訳（メタデータ） (2024-07-08T17:00:28Z)
• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Top-Down Deep Clustering with Multi-generator GANs [0.0]
  ディープクラスタリング(DC)は、クラスタ分析に最適な埋め込み空間を学習する。 複数のジェネレータ(MGAN)を持つGANをベースとした新しい技術であるHC-MGANを提案する。 本手法は,MGANの各生成元が実データ分布のサブリージョンと相関するデータを生成する傾向にあるという観察に着想を得たものである。
  論文  参考訳（メタデータ） (2021-12-06T22:53:12Z)
• Deep Attention-guided Graph Clustering with Dual Self-supervision [49.040136530379094]
  デュアル・セルフ・スーパービジョン(DAGC)を用いたディープアテンション誘導グラフクラスタリング法を提案する。 我々は,三重項Kulback-Leibler分散損失を持つソフトな自己スーパービジョン戦略と,擬似的な監督損失を持つハードな自己スーパービジョン戦略からなる二重自己スーパービジョンソリューションを開発する。 提案手法は6つのベンチマークデータセットにおける最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2021-11-10T06:53:03Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Deep adaptive fuzzy clustering for evolutionary unsupervised representation learning [2.8028128734158164]
  大規模で複雑な画像のクラスタ割り当ては、パターン認識とコンピュータビジョンにおいて重要かつ困難な作業です。 反復最適化による新しい進化的教師なし学習表現モデルを提案する。 ファジィメンバシップを利用して深層クラスタ割り当ての明確な構造を表現するディープリコンストラクションモデルに対して,共同でファジィクラスタリングを行った。
  論文  参考訳（メタデータ） (2021-03-31T13:58:10Z)
• On the convergence of group-sparse autoencoders [9.393652136001732]
  我々は,様々な生成モデルを考慮したグループスパースオートエンコーダを導入,研究する。 クラスタリングモデルの場合、アクティブなユニットの同じグループで発生する入力は同じクラスタに属します。 この設定では、ネットワークパラメータを生成行列の近傍に収束させることを理論的に証明する。
  論文  参考訳（メタデータ） (2021-02-13T21:17:07Z)
• Mixing Consistent Deep Clustering [3.5786621294068373]
  良い潜在表現は、2つの潜在表現の線形を復号する際に意味的に混合出力を生成する。 本稿では,表現をリアルに見せるための混合一貫性深層クラスタリング手法を提案する。 提案手法は,クラスタリング性能を向上させるために,既存のオートエンコーダに付加可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-03T19:47:06Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。