論文の概要: Concentration bounds on response-based vector embeddings of black-box generative models

• arxiv url: http://arxiv.org/abs/2511.08307v1
• Date: Wed, 12 Nov 2025 01:52:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.752354
• Title: Concentration bounds on response-based vector embeddings of black-box generative models
• Title（参考訳）: ブラックボックス生成モデルの応答に基づくベクトル埋め込みにおける濃度境界
• Authors: Aranyak Acharyya, Joshua Agterberg, Youngser Park, Carey E. Priebe,
• Abstract要約: 大規模言語モデルやテキスト・ツー・イメージ拡散モデルのような生成モデルは、ユーザからの問い合わせに対して関連する応答を生成することができる。 データカーネル・パースペクティブ・スペース埋め込み(Data Kernel Perspective Space Embedding)は、与えられた生成モデルの集合に対して応答に基づくベクトル埋め込みを得る方法である。 以上の結果から, 個体群レベルのベクトル埋め込みを所望の精度で近似するために, 必要なサンプル応答数を求めることができた。
• 参考スコア（独自算出の注目度）: 11.24508357413322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models, such as large language models or text-to-image diffusion models, can generate relevant responses to user-given queries. Response-based vector embeddings of generative models facilitate statistical analysis and inference on a given collection of black-box generative models. The Data Kernel Perspective Space embedding is one particular method of obtaining response-based vector embeddings for a given set of generative models, already discussed in the literature. In this paper, under appropriate regularity conditions, we establish high probability concentration bounds on the sample vector embeddings for a given set of generative models, obtained through the method of Data Kernel Perspective Space embedding. Our results tell us the required number of sample responses needed in order to approximate the population-level vector embeddings with a desired level of accuracy. The algebraic tools used to establish our results can be used further for establishing concentration bounds on Classical Multidimensional Scaling embeddings in general, when the dissimilarities are observed with noise.
• Abstract（参考訳）: 大規模言語モデルやテキスト・ツー・イメージ拡散モデルのような生成モデルは、ユーザからの問い合わせに対して関連する応答を生成することができる。 応答に基づく生成モデルのベクトル埋め込みは、所定のブラックボックス生成モデルの集合に関する統計的解析と推論を促進する。 データカーネル・パースペクティブ・スペースの埋め込み(Data Kernel Perspective Space Embedding)は、与えられた生成モデルに対して応答に基づくベクトル埋め込みを得る方法の一つであり、文献で既に議論されている。 本稿では,適切な規則性条件下で,データカーネル・パースペクティブ・スペースの埋め込み法を用いて得られた,与えられた生成モデルのサンプルベクトル埋め込みに対する高確率濃度境界を確立する。 以上の結果から, 個体群レベルのベクトル埋め込みを所望の精度で近似するために, 必要なサンプル応答数を求めることができた。 この結果を確立するために使用される代数的ツールは、ノイズで相違が観測されるとき、古典的多次元スケーリング埋め込みの濃度境界を確立するためにさらに利用できる。

関連論文リスト

• Accelerated Diffusion Models via Speculative Sampling [89.43940130493233]
  投機的サンプリングは、大規模言語モデルにおける推論を加速する一般的な手法である。 我々は投機的サンプリングを拡散モデルに拡張し、連続したベクトル値のマルコフ連鎖を介してサンプルを生成する。 本稿では,ドラフトモデルをトレーニングする必要のない,シンプルで効果的なアプローチを含む,さまざまなドラフト戦略を提案する。
  論文  参考訳（メタデータ） (2025-01-09T16:50:16Z)
• Reconstructing Galaxy Cluster Mass Maps using Score-based Generative Modeling [9.386611764730791]
  本稿では,銀河団のガス・ダークマター投影密度マップをスコアベース生成モデルを用いて再構成する手法を提案する。 我々の拡散モデルは、条件入力としてモックSZおよびX線画像を取り込み、学習データ後部からのサンプリングにより対応するガスおよびダークマターマップの実現を生成する。
  論文  参考訳（メタデータ） (2024-10-03T18:00:03Z)
• Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
  本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。 私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。 提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2023-05-31T16:23:58Z)
• Generalization Metrics for Practical Quantum Advantage in Generative Models [68.8204255655161]
  生成モデリングは量子コンピュータにとって広く受け入れられている自然のユースケースである。 我々は,アルゴリズムの一般化性能を計測して,生成モデリングのための実用的な量子優位性を探索する,単純で曖昧な手法を構築した。 シミュレーションの結果、我々の量子にインスパイアされたモデルは、目に見えない、有効なサンプルを生成するのに、最大で68倍の費用がかかります。
  論文  参考訳（メタデータ） (2022-01-21T16:35:35Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Gaussian-Dirichlet Random Fields for Inference over High Dimensional Categorical Observations [3.383942690870476]
  本稿では,ロボットが生成する高次元カテゴリー観測の分布生成モデルを提案する。 提案手法はディリクレ分布を用いて観測されたカテゴリ間の共起関係をスパースするものである。
  論文  参考訳（メタデータ） (2020-03-26T19:29:23Z)

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。