論文の概要: GICDM: Mitigating Hubness for Reliable Distance-Based Generative Model Evaluation

• arxiv url: http://arxiv.org/abs/2602.16449v1
• Date: Wed, 18 Feb 2026 13:33:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.60132
• Title: GICDM: Mitigating Hubness for Reliable Distance-Based Generative Model Evaluation
• Title（参考訳）: GICDM:信頼度に基づく生成モデル評価のためのハッチネスの緩和
• Authors: Nicolas Salvy, Hugues Talbot, Bertrand Thirion,
• Abstract要約: 生成モデル評価は、標本間の距離を計算するために、高次元の埋め込み空間に依存するのが一般的である。 これらの空間におけるデータセット表現は、ハブ性現象の影響を受けていることを示す。 本稿では,実データと実データの両方の近傍推定法である生成ICDMを紹介する。
• 参考スコア（独自算出の注目度）: 30.08046476442414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative model evaluation commonly relies on high-dimensional embedding spaces to compute distances between samples. We show that dataset representations in these spaces are affected by the hubness phenomenon, which distorts nearest neighbor relationships and biases distance-based metrics. Building on the classical Iterative Contextual Dissimilarity Measure (ICDM), we introduce Generative ICDM (GICDM), a method to correct neighborhood estimation for both real and generated data. We introduce a multi-scale extension to improve empirical behavior. Extensive experiments on synthetic and real benchmarks demonstrate that GICDM resolves hubness-induced failures, restores reliable metric behavior, and improves alignment with human judgment.
• Abstract（参考訳）: 生成モデル評価は、標本間の距離を計算するために、高次元の埋め込み空間に依存するのが一般的である。 これらの空間におけるデータセット表現は、近接する関係を歪曲し、距離に基づく測度をバイアスするハブ性現象の影響を受けていることを示す。 本稿では,古典的反復的文脈異方性尺度 (ICDM) に基づいて,実データと実データの両方の近傍推定法である生成的ICDM (GICDM) を導入する。 経験的行動を改善するためのマルチスケール拡張を導入する。 総合的および実ベンチマークに関する大規模な実験は、GICDMがハブ性によって引き起こされる障害を解消し、信頼性の高い計量挙動を復元し、人間の判断との整合性を改善することを示した。

関連論文リスト

• Joint Source-Channel-Generation Coding: From Distortion-oriented Reconstruction to Semantic-consistent Generation [58.67925548779465]
  本稿では,知覚的再構成から確率的生成へ焦点を移す新しいパラダイムとして,JSCGC(Joint Source-Channel-Generation Coding)を提案する。 JSCGCは意味的品質と意味的忠実性を大幅に改善し、従来の歪み指向J SCC法よりも大幅に向上する。
  論文  参考訳（メタデータ） (2026-01-19T08:12:47Z)
• UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
  UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。 我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。 本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-03T16:06:27Z)
• Measurement-Guided Consistency Model Sampling for Inverse Problems [2.217547045999963]
  一貫性モデルは、単一または数ステップで高品質な生成を可能にする。 逆問題再構成に適した整合性サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2025-10-02T16:53:07Z)
• A Unifying Information-theoretic Perspective on Evaluating Generative Models [5.524685807042777]
  最近のいくつかのアプローチでは、分類領域から借用された「精度」と「リコール」を利用して、出力の忠実度(リアリズム)と出力の多様性(実データ変動の表現)を個別に定量化している。 我々は、kNN密度推定のアプローチを用いて、kth-nearest-neighbors(kNN)ベースのメトリクスのクラスを情報理論レンズの下に統一する。 高精度クロスエントロピー(PCE)、リコールクロスエントロピー(RCE)、リコールエントロピー(RE)からなる3次元計量を提案する。
  論文  参考訳（メタデータ） (2024-12-18T21:17:02Z)
• Measuring Orthogonality in Representations of Generative Models [81.13466637365553]
  教師なしの表現学習において、モデルは高次元データから低次元の学習表現に不可欠な特徴を蒸留することを目的としている。 独立した生成過程の切り離しは、長い間、高品質な表現を生み出してきた。 我々は、IWO(Importance-Weighted Orthogonality)とIWR(Importance-Weighted Rank)の2つの新しい指標を提案する。
  論文  参考訳（メタデータ） (2024-07-04T08:21:54Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• Biases in Inverse Ising Estimates of Near-Critical Behaviour [0.0]
  逆推論は、ペアワイズ相互作用を経験的相関から再構成することを可能にする。 Pseudo-likelihood (PLM) などの推定値に偏りが認められた。 データ駆動法は神経科学による機能的磁気共鳴イメージング(fMRI)データセットに研究され応用された。
  論文  参考訳（メタデータ） (2023-01-13T14:01:43Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)

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。