論文の概要: Generalization and Memorization in Rectified Flow

• arxiv url: http://arxiv.org/abs/2603.13421v1
• Date: Thu, 12 Mar 2026 21:10:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.186071
• Title: Generalization and Memorization in Rectified Flow
• Title（参考訳）: 凝固流の一般化と記憶
• Authors: Mingxing Rao, Daniel Moyer,
• Abstract要約: フローマッチングの目的に基づく生成モデル、特にRectified Flowは、効率的で高忠実な画像合成のための支配的なパラダイムとして登場してきた。 メンバーシップ推論攻撃(MIA)のテスト統計を用いたRFの記憶挙動について検討する。 均一な時間ステップサンプリングをSymmetric Exponential(U字型)分布に置き換えることで、脆弱な中間時間ステップへの露出を効果的に最小化できることを示す。
• 参考スコア（独自算出の注目度）: 2.230929655489877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models based on the Flow Matching objective, particularly Rectified Flow, have emerged as a dominant paradigm for efficient, high-fidelity image synthesis. However, while existing research heavily prioritizes generation quality and architectural scaling, the underlying dynamics of how RF models memorize training data remain largely underexplored. In this paper, we systematically investigate the memorization behaviors of RF through the test statistics of Membership Inference Attacks (MIA). We progressively formulate three test statistics, culminating in a complexity-calibrated metric ($T_\text{mc\_cal}$) that successfully decouples intrinsic image spatial complexity from genuine memorization signals. This calibration yields a significant performance surge -- boosting attack AUC by up to 15\% and the privacy-critical TPR@1\%FPR metric by up to 45\% -- establishing the first non-trivial MIA specifically tailored for RF. Leveraging these refined metrics, we uncover a distinct temporal pattern: under standard uniform temporal training, a model's susceptibility to MIA strictly peaks at the integration midpoint, a phenomenon we justify via the network's forced deviation from linear approximations. Finally, we demonstrate that substituting uniform timestep sampling with a Symmetric Exponential (U-shaped) distribution effectively minimizes exposure to vulnerable intermediate timesteps. Extensive evaluations across three datasets confirm that this temporal regularization suppresses memorization while preserving generative fidelity.
• Abstract（参考訳）: フローマッチングの目的に基づく生成モデル、特にRectified Flowは、効率的で高忠実な画像合成のための支配的なパラダイムとして登場してきた。 しかしながら、既存の研究は、生成品質とアーキテクチャのスケーリングを非常に優先しているが、RFモデルがトレーニングデータを記憶する方法の基盤となるダイナミクスは、大半が未調査のままである。 本稿では,メンバーシップ推論攻撃(MIA)のテスト統計を用いて,RFの記憶挙動を系統的に調査する。 我々は3つのテスト統計を段階的に定式化し、実際の記憶信号から内在的な画像空間の複雑さを分離する複雑性校正指標(T_\text{mc\_cal}$)を導出する。 このキャリブレーションによって、AUC攻撃の最大15倍、プライバシクリティカルなTPR@1\%FPR指標の最大45倍という大幅なパフォーマンス向上が達成され、RF用に特別に調整された最初の非自明なMIAが確立された。 標準的な一様時間的トレーニングでは、MIAに対するモデルの感受性は、統合中間点において厳密にピークに達します。 最後に,Symmetric Exponential (U字型) 分布を用いた一様時間ステップサンプリングの置換が,脆弱な中間時間ステップへの露出を効果的に最小化することを示した。 3つのデータセットにわたる広範囲な評価により、この時間的規則化は、生成的忠実性を維持しながら記憶を抑制することが確認される。

関連論文リスト

• Fast and Scalable Analytical Diffusion [43.4234198410875]
  解析的拡散モデルは、デノナイジングスコアを経験的ベイズ平均として定式化することにより、生成モデルへの数学的に透過的な経路を提供する。 標準定式化では、すべてのタイムステップでフルデータセットのスキャンを必要とし、データセットサイズと線形にスケーリングする。 我々は,データセットサイズから推論を分離するトレーニングフリーフレームワークであるDynamic Time-Aware Golden Subset Diffusion (GoldDiff)を提案する。
  論文  参考訳（メタデータ） (2026-02-18T14:41:09Z)
• The Stationarity Bias: Stratified Stress-Testing for Time-Series Imputation in Regulated Dynamical Systems [0.098314893665023]
  時系列計算ベンチマークはランダムマスキングと形状に依存しないメトリクスを使用する。 我々は、このバイアスを形式化し、評価を定常型と過渡型に分割するemphStratified Stress-Testを提案する。
  論文  参考訳（メタデータ） (2026-02-17T15:05:56Z)
• Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
  本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。 左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。 本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
  論文  参考訳（メタデータ） (2026-02-10T19:08:40Z)
• Low-Dimensional Adaptation of Rectified Flow: A New Perspective through the Lens of Diffusion and Stochastic Localization [59.04314685837778]
  整流流(RF)は、その生成効率と最先端の性能からかなりの人気を得ている。 本稿では,RFがターゲット分布の支持の内在的低次元性に自動的に適応し,サンプリングを高速化する程度について検討する。 時間分割方式を慎重に設計し,十分な正確なドリフト推定を行うことで,RFサンプリング器はオーダーO(k/varepsilon)$の複雑さを享受できることを示す。
  論文  参考訳（メタデータ） (2026-01-21T22:09:27Z)
• Bifidelity Karhunen-Loève Expansion Surrogate with Active Learning for Random Fields [0.4899818550820576]
  本稿では、不確実な入力条件下で、フィールド値の利子(QoIs)に対する二元性カルフネン・ローブ拡張(KLE)サロゲートモデルを提案する。 我々は,サロゲートの一般化誤差に基づいて,新しいHF評価を適応的に選択する能動的学習戦略を形成する。 新しいHFサンプルは、高いサロゲート誤差の領域をターゲットとして、期待される改善基準を最大化することによって取得される。
  論文  参考訳（メタデータ） (2025-11-05T04:14:44Z)
• Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching [14.503330877000758]
  Time-Conditioned Contraction Matching is a novel method for semi-supervised anomaly detection in tabular data。 これは、確率分布間の速度場を学習する最近の生成モデリングフレームワークであるフローマッチングにインスパイアされている。 ADBenchベンチマークの大規模な実験により、TCCMは検出精度と推論コストのバランスが良好であることが示されている。
  論文  参考訳（メタデータ） (2025-10-21T06:26:38Z)
• RAAG: Ratio Aware Adaptive Guidance [9.525432706814675]
  フローベースの生成モデルは驚くべき進歩を遂げた。 推論全体を通じて強力な、固定されたガイダンススケールを適用することは、現代的なアプリケーションに必要な、迅速な、数ステップのサンプリングには適していない。 本稿では,進化率に基づいて早期段階の指導尺度を自動的に減衰させる,シンプルな,理論的に基礎付けられた適応型指導スケジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-05T13:41:05Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)

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。