論文の概要: Avoid Catastrophic Forgetting with Rank-1 Fisher from Diffusion Models
- arxiv url: http://arxiv.org/abs/2509.23593v1
- Date: Sun, 28 Sep 2025 02:51:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:19.311364
- Title: Avoid Catastrophic Forgetting with Rank-1 Fisher from Diffusion Models
- Title（参考訳）: 拡散モデルによるRan-1漁業の破砕防止
- Authors: Zekun Wang, Anant Gupta, Zihan Dong, Christopher J. MacLellan,
- Abstract要約: 破滅的な忘れは、ニューラルモデルにおける継続的な学習の中心的な障害である。
我々は,すでに高品質な再生データを生成することができる拡散モデルの勾配幾何学について検討する。
EWCのランク1変種は、対角近似と同等に安価であるが、支配的な曲率方向を捉えている。
- 参考スコア（独自算出の注目度）: 5.0834716824529105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Catastrophic forgetting remains a central obstacle for continual learning in neural models. Popular approaches -- replay and elastic weight consolidation (EWC) -- have limitations: replay requires a strong generator and is prone to distributional drift, while EWC implicitly assumes a shared optimum across tasks and typically uses a diagonal Fisher approximation. In this work, we study the gradient geometry of diffusion models, which can already produce high-quality replay data. We provide theoretical and empirical evidence that, in the low signal-to-noise ratio (SNR) regime, per-sample gradients become strongly collinear, yielding an empirical Fisher that is effectively rank-1 and aligned with the mean gradient. Leveraging this structure, we propose a rank-1 variant of EWC that is as cheap as the diagonal approximation yet captures the dominant curvature direction. We pair this penalty with a replay-based approach to encourage parameter sharing across tasks while mitigating drift. On class-incremental image generation datasets (MNIST, FashionMNIST, CIFAR-10, ImageNet-1k), our method consistently improves average FID and reduces forgetting relative to replay-only and diagonal-EWC baselines. In particular, forgetting is nearly eliminated on MNIST and FashionMNIST and is roughly halved on ImageNet-1k. These results suggest that diffusion models admit an approximately rank-1 Fisher. With a better Fisher estimate, EWC becomes a strong complement to replay: replay encourages parameter sharing across tasks, while EWC effectively constrains replay-induced drift.
- Abstract（参考訳）: 破滅的な忘れは、ニューラルモデルにおける継続的な学習の中心的な障害である。
リプレイには強力なジェネレータが必要で、分散的なドリフトが困難であるのに対して、EWCはタスク間で共有最適化を暗黙的に仮定し、通常対角線フィッシャー近似を使用する。
本研究では,すでに高品質な再生データを生成することができる拡散モデルの勾配幾何学について検討する。
我々は,低信号-雑音比(SNR)法において,サンプルごとの勾配が強くコリニアとなり,効果的にランク1で平均勾配に整合した経験的フィッシャーが得られるという理論的および経験的証拠を提供する。
この構造を応用して、対角近似と同じくらい安価であるが、支配的な曲率方向を捉えるEWCのランク1変種を提案する。
このペナルティをリプレイベースのアプローチと組み合わせて、ドリフトを緩和しながらタスク間のパラメータ共有を促進する。
クラスインクリメンタル画像生成データセット(MNIST, FashionMNIST, CIFAR-10, ImageNet-1k)では, 平均FIDが一貫して改善され, リプレイ専用および対角型EWCベースラインに対する忘れ込みが減少する。
特に、MNISTとFashionMNISTでは忘れられ、ImageNet-1kではほぼ半分になっている。
これらの結果は拡散モデルにおよそ1階のフィッシャーが存在することを示唆している。
リプレイはタスク間のパラメータ共有を奨励し、EWCはリプレイによって引き起こされるドリフトを効果的に制限する。
関連論文リスト
- The Surprising Effectiveness of Negative Reinforcement in LLM Reasoning [37.13807960501503]
検証可能な報酬を伴う強化学習(RLVR)は、言語モデル(LM)のトレーニングに有望なアプローチである
我々は学習信号を正しい応答の強化と正負の正負の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の
我々は、NSRが不正確な世代を抑え、確率質量を他の可算候補に向けて再分配することで、モデルの以前の信念に導かれることを示す。
論文 参考訳（メタデータ） (2025-06-02T06:10:54Z) - ProReflow: Progressive Reflow with Decomposed Velocity [52.249464542399636]
フローマッチングは、拡散モデルの拡散過程を数ステップまたは1ステップ生成のために直線に再フローすることを目的としている。
局所的な時間ステップで拡散モデルを段階的に再フローし,拡散全体を進行させるプログレッシブ・リフローを導入する。
また,フローマッチングにおける方向整合の重要性を強調し,位置整合性を考慮したV-Predictionを導入する。
論文 参考訳（メタデータ） (2025-03-05T04:50:53Z) - Half-order Fine-Tuning for Diffusion Model: A Recursive Likelihood Ratio Optimizer [16.103949557802988]
確率拡散モデル(DM)は、連鎖構造を通して推論することで内容を生成する。
現代の手法は強化学習 (RL) と切り離されたバックプロパゲーション (BP) に基づいている
DMのためのRLR(Recursive Likelihood Ratio)ファインチューニングパラダイムを提案する。
論文 参考訳（メタデータ） (2025-02-02T03:00:26Z) - Efficient Model Compression Techniques with FishLeg [30.69238973086908]
FishLegはFisher-Legendre(FishLeg)に基づく新しい二階刈り法である
FishLegの心臓部は、逆FIMの作用を補うメタラーニングアプローチである。
FishLegは,2つの共通ベースラインに対して高い,あるいは同等のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-12-03T09:42:16Z) - RankFeat&RankWeight: Rank-1 Feature/Weight Removal for Out-of-distribution Detection [66.27699658243391]
textttRankFeatは、OOD検出のためのシンプルだが効果的なEmphposthocアプローチである。
textttRankWeight は emphpost hoc で、 rank-1 行列を一度だけ計算する必要がある。
textttRankFeatは、最先端のパフォーマンスを実現し、平均偽陽性率(FPR95)を17.90%削減する。
論文 参考訳（メタデータ） (2023-11-23T12:17:45Z) - Winner-Take-All Column Row Sampling for Memory Efficient Adaptation of Language Model [89.8764435351222]
分散を低減した行列生成のために, WTA-CRS と呼ばれる新しい非バイアス推定系を提案する。
我々の研究は、チューニング変換器の文脈において、提案した推定器が既存のものよりも低い分散を示すという理論的および実験的証拠を提供する。
論文 参考訳（メタデータ） (2023-05-24T15:52:08Z) - FisherMatch: Semi-Supervised Rotation Regression via Entropy-based
Filtering [30.55407962405892]
半教師付き回転回帰のための一般的なフレームワークFisherMatchを提案する。
一般的な半教師付きアプローチであるFixMatchにヒントを得て、擬似ラベルフィルタリングを活用することを提案する。
ラベル付きデータ比が極めて低い場合でも,本手法は良好に動作可能である。
論文 参考訳（メタデータ） (2022-03-29T17:23:04Z) - Learning Expected Emphatic Traces for Deep RL [32.984880782688535]
オフポリシーサンプリングと経験リプレイは、サンプル効率を改善し、モデルフリーの時間差学習手法をスケールするための鍵となる。
リプレイと組み合わせることができるマルチステップ強調重み付けと、必要な強調重み付けを学習するための時間反転TD学習アルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-07-12T13:14:03Z) - Gaussian MRF Covariance Modeling for Efficient Black-Box Adversarial
Attacks [86.88061841975482]
我々は,ゼロオーダーのオラクルにのみアクセス可能なブラックボックス設定において,逆例を生成する問題について検討する。
我々はこの設定を用いて、FGSM(Fast Gradient Sign Method)のブラックボックス版と同様に、高速な1ステップの敵攻撃を見つける。
提案手法はクエリを少なくし,現在の技術よりも攻撃成功率が高いことを示す。
論文 参考訳（メタデータ） (2020-10-08T18:36:51Z) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳（メタデータ） (2020-06-10T08:22:41Z) - TRP: Trained Rank Pruning for Efficient Deep Neural Networks [69.06699632822514]
低位近似とトレーニングを交互に行うTrated Rank Pruning (TRP)を提案する。
サブ段階降下により最適化された核正則化を利用して、TRPの低位化をさらに促進する。
TRPトレーニングネットワークは本質的に低ランク構造であり、無視可能な性能損失と近似される。
論文 参考訳（メタデータ） (2020-04-30T03:37:36Z)
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。