論文の概要: Correlation Analysis of Generative Models

• arxiv url: http://arxiv.org/abs/2603.06614v1
• Date: Fri, 20 Feb 2026 06:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-15 16:38:22.437822
• Title: Correlation Analysis of Generative Models
• Title（参考訳）: 生成モデルの相関解析
• Authors: Zhengguo Li, Chaobing Zheng, Wei Wang,
• Abstract要約: 理論的解析により,既存の拡散モデルと流れマッチングでは,ノイズデータと予測対象との相関が弱いことが示唆された。 これは、すべてのモデルにおいて重要な役割を果たす予測(あるいは学習)プロセスに影響を与えるかもしれません。
• 参考スコア（独自算出の注目度）: 17.52682596337417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Based on literature review about existing diffusion models and flow matching with a neural network to predict a predefined target from noisy data, a unified representation is first proposed for these models using two simple linear equations in this paper. Theoretical analysis of the proposed model is then presented. Our theoretical analysis shows that the correlation between the noisy data and the predicted target is sometimes weak in the existing diffusion models and flow matching. This might affect the prediction (or learning) process which plays a crucial role in all models.
• Abstract（参考訳）: 本稿では,既存の拡散モデルとニューラルネットワークとのフローマッチングによるノイズデータから事前定義された目標を予測し,これらのモデルに対して2つの単純な線形方程式を用いた統一表現を提案する。 提案したモデルの理論解析について述べる。 理論的解析により,既存の拡散モデルと流れマッチングでは,ノイズデータと予測対象との相関が弱いことが示唆された。 これは、すべてのモデルにおいて重要な役割を果たす予測(あるいは学習)プロセスに影響を与えるかもしれません。

関連論文リスト

• Improved Sample Complexity For Diffusion Model Training Without Empirical Risk Minimizer Access [47.96419637803502]
  拡散モデルを解析し、$widetildemathcalO(epsilon-4)$に束縛された最先端のサンプル複雑性を提供する。 スコア推定誤差の統計的および最適化成分への構造化分解は、拡散モデルを効率的に訓練する方法に関する重要な洞察を与える。
  論文  参考訳（メタデータ） (2025-05-23T20:02:15Z)
• Elucidating Flow Matching ODE Dynamics with Respect to Data Geometries and Denoisers [10.947094609205765]
  フローマッチング(FM)モデルは、ODEサンプルモデルに基づく拡散モデルを一般的なフレームワークに拡張する。 FMモデルの厳密な理論的解析は、サンプルの品質、安定性、より広範な適用性に不可欠である。 本稿では,サンプル軌道の包括的解析により,FMモデルの理論を推し進める。
  論文  参考訳（メタデータ） (2024-12-25T01:17:15Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization [45.72323731094864]
  本稿では,2層ニューラルネットワークを用いた拡散モデル解析のための理論的枠組みを提案する。 我々は,1つの凸プログラムを解くことで,スコア予測のための浅層ニューラルネットワークのトレーニングが可能であることを証明した。 本結果は, ニューラルネットワークに基づく拡散モデルが漸近的でない環境で何を学習するかを, 正確に評価するものである。
  論文  参考訳（メタデータ） (2024-02-03T00:20:25Z)
• How Much is Enough? A Study on Diffusion Times in Score-based Generative Models [76.76860707897413]
  現在のベストプラクティスは、フォワードダイナミクスが既知の単純なノイズ分布に十分に近づくことを確実にするために大きなTを提唱している。 本稿では, 理想とシミュレーションされたフォワードダイナミクスのギャップを埋めるために補助モデルを用いて, 標準的な逆拡散過程を導出する方法について述べる。
  論文  参考訳（メタデータ） (2022-06-10T15:09:46Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)

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。