論文の概要: Distributional Evaluation of Generative Models via Relative Density Ratio
- arxiv url: http://arxiv.org/abs/2510.25507v1
- Date: Wed, 29 Oct 2025 13:31:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:45.590053
- Title: Distributional Evaluation of Generative Models via Relative Density Ratio
- Title（参考訳）: 相対密度比による生成モデルの分布評価
- Authors: Yuliang Xu, Yun Wei, Li Ma,
- Abstract要約: 相対密度比(RDR)に基づく生成モデルの機能評価指標を提案する。
生成モデルに適合する良さの関数的要約としてのRDRは、いくつかの望ましい理論的性質を持っていることを示す。
推定されたRDRは、競合する生成モデルの全体的な性能を効果的に比較できるだけでなく、基礎となる善良性を明らかにするための便利な手段も提供できることを示す。
- 参考スコア（独自算出の注目度）: 12.663086000741872
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose a functional evaluation metric for generative models based on the relative density ratio (RDR) designed to characterize distributional differences between real and generated samples. We show that the RDR as a functional summary of the goodness-of-fit for the generative model, possesses several desirable theoretical properties. It preserves $\phi$-divergence between two distributions, enables sample-level evaluation that facilitates downstream investigations of feature-specific distributional differences, and has a bounded range that affords clear interpretability and numerical stability. Functional estimation of the RDR is achieved efficiently through convex optimization on the variational form of $\phi$-divergence. We provide theoretical convergence rate guarantees for general estimators based on M-estimator theory, as well as the convergence rates of neural network-based estimators when the true ratio is in the anisotropic Besov space. We demonstrate the power of the proposed RDR-based evaluation through numerical experiments on MNIST, CelebA64, and the American Gut project microbiome data. We show that the estimated RDR not only allows for an effective comparison of the overall performance of competing generative models, but it can also offer a convenient means of revealing the nature of the underlying goodness-of-fit. This enables one to assess support overlap, coverage, and fidelity while pinpointing regions of the sample space where generators concentrate and revealing the features that drive the most salient distributional differences.
- Abstract（参考訳）: 本稿では, 実データと生成データとの分布差を特徴付けるために, 相対密度比(RDR)に基づく生成モデルの機能評価指標を提案する。
生成モデルに適合する良さの関数的要約としてのRDRは、いくつかの望ましい理論的性質を持っていることを示す。
2つの分布間の$\phi$-divergenceを保ち、特徴固有の分布差の下流調査を容易にするサンプルレベルの評価を可能にし、明確な解釈可能性と数値安定性を持つ境界範囲を有する。
RDRの関数的推定は、$\phi$-divergenceの変分形式の凸最適化によって効率的に達成される。
我々は、M-推定器理論に基づく一般推定器に対する理論収束率保証と、真の比が異方性ベソフ空間にある場合のニューラルネットワークに基づく推定器の収束率を提供する。
我々は,MNIST,CelebA64,American Gutプロジェクトのマイクロバイオームデータを用いた数値実験により,提案したRDRに基づく評価の有効性を実証する。
推定されたRDRは、競合する生成モデルの全体的な性能を効果的に比較できるだけでなく、基礎となる善良性を明らかにするための便利な手段も提供できることを示す。
これにより、ジェネレータが集中するサンプル空間の領域を特定しながら、サポートのオーバーラップ、カバレッジ、忠実さを評価し、最も顕著な分布差をもたらす特徴を明らかにすることができる。
関連論文リスト
- GDR-learners: Orthogonal Learning of Generative Models for Potential Outcomes [50.228749840286895]
本稿では,潜在的結果の条件分布を推定する生成的Neyman-orthogonal Learningersの一般スイートを紹介する。
提案したGDR-learnerは柔軟で,多くの最先端の深層生成モデルでインスタンス化することができる。
従来の手法とは異なり、GDR学習者は準器効率と二重頑健性の性質を持っている。
論文 参考訳（メタデータ） (2025-09-26T21:35:28Z) - The Lie of the Average: How Class Incremental Learning Evaluation Deceives You? [48.83567710215299]
クラスインクリメンタルラーニング(CIL)では、モデルが学習済みのクラスを忘れずに、新しいクラスを継続的に学習する必要がある。
我々は、ロバストなCIL評価プロトコルは、性能分布全体を正確に特徴付け、推定するべきであると論じる。
我々は,タスク間類似度を用いて,極端なクラスシーケンスを適応的に識別し,サンプリングする評価プロトコルEDGEを提案する。
論文 参考訳（メタデータ） (2025-09-26T17:00:15Z) - A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [8.862614615192578]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。
その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文 参考訳（メタデータ） (2024-10-02T20:46:21Z) - Distributionally Robust Optimization as a Scalable Framework to Characterize Extreme Value Distributions [22.765095010254118]
本研究の目的は分散ロバストな最適化 (DRO) 推定器の開発であり、特に多次元極値理論 (EVT) の統計量についてである。
点過程の空間における半パラメトリックな最大安定制約によって予測されるDRO推定器について検討した。
両手法は, 合成データを用いて検証し, 所定の特性を回復し, 提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2024-07-31T19:45:27Z) - Variance-Reducing Couplings for Random Features [57.73648780299374]
ランダム機能(RF)は、機械学習においてカーネルメソッドをスケールアップする一般的なテクニックである。
ユークリッド空間と離散入力空間の両方で定義されるRFを改善するための結合を求める。
パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
論文 参考訳（メタデータ） (2024-05-26T12:25:09Z) - R-divergence for Estimating Model-oriented Distribution Discrepancy [37.939239477868796]
モデル指向分布の相違性を評価するために設計されたR分割を導入する。
R-発散は混合データ上で最小の仮説を学習し、その間に経験的リスク差を測る。
教師なしタスクおよび教師なしタスクにおけるテストパワーの評価を行い、R分割が最先端のパフォーマンスを達成することを確認する。
論文 参考訳（メタデータ） (2023-10-02T11:30:49Z) - Score Approximation, Estimation and Distribution Recovery of Diffusion
Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。
適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。
推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文 参考訳（メタデータ） (2023-02-14T17:02:35Z) - A Unified Framework for Multi-distribution Density Ratio Estimation [101.67420298343512]
バイナリ密度比推定(DRE)は多くの最先端の機械学習アルゴリズムの基礎を提供する。
ブレグマン最小化の発散の観点から一般的な枠組みを開発する。
我々のフレームワークはバイナリDREでそれらのフレームワークを厳格に一般化する手法に導かれることを示す。
論文 参考訳（メタデータ） (2021-12-07T01:23:20Z) - Information Theoretic Structured Generative Modeling [13.117829542251188]
構造生成モデル (Structured Generative Model, SGM) と呼ばれる新しい生成モデルフレームワークが提案され, 簡単な最適化が可能となった。
この実装では、無限のガウス混合モデルを学習するために適合した単一白色ノイズ源への正則入力によって駆動される1つのニューラルネットワークを採用している。
予備的な結果は、SGMがデータ効率と分散、従来のガウス混合モデルと変分混合モデル、および敵ネットワークのトレーニングにおいてMINE推定を著しく改善することを示している。
論文 参考訳（メタデータ） (2021-10-12T07:44:18Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z)
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。